TensorFlow 深度学习 | 使用子类 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 | 使用子类 API 实现 Wide & Deep 模型

在推荐系统、CTR 预估等场景中，Wide & Deep 模型 是一种经典架构，结合了 Wide 线性部分 与 Deep 深度部分，既能捕捉记忆性特征（memorization），又能学习到泛化能力（generalization）。

本文将带你使用 TensorFlow 子类 API 来实现一个简单的 Wide & Deep 模型，并讲解核心思路与实现细节。

---

🔹 一、Wide & Deep 模型简介

Wide & Deep 模型最早由 Google 提出，广泛应用在推荐与广告点击率预测中。

• Wide 部分（线性模型）
  直接对输入特征做线性组合，适合捕捉稀疏特征与特征交叉。

• Deep 部分（深度神经网络）
  通过多层非线性网络提取特征组合与高阶特征关系，具备强泛化能力。

二者结合后，模型既能“记忆”已有规律，也能“泛化”出新的特征关系。

---

🔸 二、数据准备

为了演示，我们使用 模拟数据 来构建一个二分类问题（如 CTR 预测）。在实际业务中，可以替换为 广告点击数据集、推荐数据集 等。

import tensorflow as tf
import numpy as np

# 模拟数据
num_samples = 1000
num_features = 10

X = np.random.rand(num_samples, num_features).astype(np.float32)
y = np.random.randint(0, 2, size=(num_samples, 1)).astype(np.float32)

train_ds = tf.data.Dataset.from_tensor_slices((X, y)).batch(32).