TensorFlow 深度学习 | 使用函数式 API 实现 Wide & Deep 模型

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在优快云上与你们相遇～💖

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

---

TensorFlow 深度学习 | 使用函数式 API 实现 Wide & Deep 模型

在深度学习应用中，Wide & Deep 模型 是一种非常经典的结构，它结合了 线性模型的记忆能力（Wide） 和 深度神经网络的泛化能力（Deep），在推荐系统和分类任务中被广泛应用。

本文将带你一步步使用 TensorFlow 函数式 API 来实现一个 Wide & Deep 模型，并进行示例训练。

---

🚀 一、Wide & Deep 模型简介

Wide & Deep 模型最早由 Google 提出，主要用于推荐系统任务，目标是 同时记忆历史特征组合（memorization）和学习潜在特征交互（generalization）。

• Wide 部分

  • 本质是一个广义线性模型（Generalized Linear Model, GLM），擅长记忆已有的特征组合。
  • 比如：用户曾经买过某类商品，那么下次推荐时可以直接利用该组合特征。

• Deep 部分

  • 使用深度神经网络（DNN）进行特征嵌入和非线性组合，具备泛化能力。
  • 比如：即使用户没买过某类商品，模型也能通过相似特征推测出潜在兴趣。

最终输出层会将 Wide 输出和 Deep 输出拼接，并接入一个分类器（如 sigmoid 或 softmax）完成预测。

---

🏗️ 二、数据准备与预处理

在本示例中，我们使用 TensorFlow 自带的 Adult Census Income 数据集，它用于预测一个人年收入是否超过 50K 美元，包含数值型和类别型特征，非常适合 Wide & Deep 演示。

import tensorflow as tf
import tensorflow_datasets as tfds

# 加载 Adult 数据集
train_data, test_data = tfds.load(
    'adult',
    split=['train', 'test'],
    as_supervised=True
)

# 数据格式：(features, label)
for features, label in train_data.take(1):
    print(features, label)

由于数据集中存在类别特征，我们需要使用 TensorFlow 的特征预处理层（如 CategoryEncoding、Normalization） 来对其进行编码。

---

🛠️ 三、使用函数式 API 构建 Wide & Deep 模型

TensorFlow 的函数式 API（Functional API）比 Sequential 更灵活，非常适合构建多输入、多输出或共享层的复杂模型。

1. 定义输入层

from tensorflow.keras import layers

# 数值型输入
age = layers.Input(shape=(1,