Torch-RecHub 推荐系统实战
本目录收录 Torch-RecHub 在 AMD GPU / ROCm 环境下的推荐系统实战教程。目标不只是跑通几个模型，而是理解一个现代推荐系统训练链路如何组织：特征定义、数据生成器、训练器、排序与召回模型、实验跟踪，以及面向服务部署的模型导出。
Torch-RecHub 是一个轻量、高效、易用的 PyTorch 推荐系统框架，面向工业级推荐实验的快速复现与扩展。项目提供 30+ 主流推荐模型，覆盖精排、召回、多任务学习和生成式推荐，并提供统一的数据加载、训练评估、实验跟踪和 ONNX 导出能力。
为什么放在 hello-rocm
在 hello-rocm 中，这组案例聚焦 AMD GPU / ROCm 上的推荐系统实践。你会学习如何安装 ROCm 适配的 PyTorch，如何在 AMD 硬件上运行 Torch-RecHub 教程，并把训练流程进一步连接到 ONNX 导出、轻量召回验证等部署相关环节。
这些教程使用轻量样例数据，适合在本地快速验证完整流程。文中的指标主要用于确认链路跑通，不代表生产数据集上的最终效果。
你会学到什么
- DeepFM 如何把 dense / sparse 特征用于 CTR 预估。
- DIN 如何用候选物品对用户历史行为序列做 attention。
- DSSM 如何构建双塔召回模型，并使用 item embedding 做检索。
- MMOE 如何在多个推荐目标之间共享 expert 并分配任务 tower。
- Torch-RecHub 如何通过统一的
model_logger接入 WandB、SwanLab、TensorBoardX。 - 排序与召回模型如何导出 ONNX，并用 ONNXRuntime 做最小推理验证。
Torch-RecHub 项目特色
- PyTorch 优先：基于 PyTorch 动态图和硬件加速能力，支持 CPU、NVIDIA CUDA GPU、AMD ROCm GPU 和华为昇腾 NPU。
- 模型库丰富：内置 30+ 推荐模型，覆盖 ranking、matching、multi-task learning 和 generative recommendation。
- 模块化设计：特征、层、训练器、损失、指标和工具相互解耦，方便扩展新模型和新数据集。
- 标准化流程：提供统一的数据加载、训练、评估、实验跟踪和模型导出路径。
- 部署友好：支持 ONNX 导出和推理验证，帮助从训练走向服务化。
- 实验跟踪：统一接入 WandB、SwanLab、TensorBoardX，便于记录超参和指标。