本项目基于PaddlePaddle复现《 TabNet: Attentive Interpretable Tabular Learning》论文。通常表格数据都是使用XGBoost和LightGBM这类提升树模型来获得较好的性能。该论文提出了一种使用DNN来处理表格数据，并取得了不错的效果。本文使用PaddlePaddle深度学习框架进行复现，最终在Forest Cover Type数据集达到0.96777的精度，已经超越Pytorch版本的精度。
论文地址：
https://arxiv.org/pdf/1908.07442v5.pdf
参考项目:
https://github.com/dreamquark-ai/tabnet
通过该项目中的issue可知，该项目在Forest Cover Type数据集上的精度为0.9639左右。
运行程序会自动下载数据集并解压到data目录下，不需要手动下载。
如果想手动下载，地址如下。
Forest Cover Type数据集地址：
https://archive.ics.uci.edu/ml/machine-learning-databases/covtype/covtype.data.gz
PaddlePaddle == 2.1.2
python == 3.7
还需安装wget自动下载数据集。安装命令如下：
pip install wget
-
训练使用了原文中数据集划分方式，原文参考的论文为《Xgboost: Scalable GPU accelerated learning》。
相关项目地址：
https://github.com/RAMitchell/GBM-Benchmarks/blob/master/benchmark.py
-
模型参数保持原文中的参数设置：
N_d=N_a=64, λ_sparse=0.0001, B=16384, B_v =512, mB=0.7, N_steps=5 and γ=1.5. -
调整了原文中的训练策略，模型准确率有所提升。使用Warmup+CosineAnnealingDecay方式来调整学习率，最大epoch为3000。每个epoch执行22次迭代。Warmup设置为5000次迭代达到0.02的学习率，CosineAnnealingDecay半周期设置为22 * 3000 - 5000。
-
训练命令：
cd tabnet nohup python -u train.py > tabnet.log &这样程序会后台运行。 通过以下代码，可以随时查看log。
tail -f tabnet.log还可以通过以下命令查看当前保存的最优模型精度。
cat tabnet.log | grep -n1 best_model结果如下：
-- 67377-epoch 2487| loss: 0.02752 | test_accuracy: 0.9676 | 9:47:54s 67378:Successfully saved model at output/best_model 67379-/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/nn/layer/norm.py:641: UserWarning: When training, we now always track global mean and variance. -- 67648-epoch 2497| loss: 0.02835 | test_accuracy: 0.96773 | 9:50:16s 67649:Successfully saved model at output/best_model 67650-/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/nn/layer/norm.py:641: UserWarning: When training, we now always track global mean and variance. -- 74372-epoch 2746| loss: 0.02596 | test_accuracy: 0.96777 | 10:48:43s 74373:Successfully saved model at output/best_model 74374-/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/nn/layer/norm.py:641: UserWarning: When training, we now always track global mean and variance.可以从日志中看到 最优模型是在第2746个epoch保存的，当时的loss是0.02596，精度是96.777%
保存最优的模型代码在paddle_tabnet/callbacks.py文件的133行。
def on_epoch_end(self, epoch, logs=None): acc = logs['test_accuracy'] if acc > self.best_acc: self.best_weights = copy.deepcopy(self.trainer.network.state_dict()) self.best_acc = acc self.trainer.save_model('output/best_model')
首先现在最高精度模型文件。(acc: 0.96777)
训练结果模型下载地址：
链接: https://pan.baidu.com/s/1FdZ1tWEHF7JWTDZqgF1i3Q
密码: 7hm2
unzip best_model.zip
cd tabnet
python predict.py --model_path ../best_model
model_path为模型所在的目录地址。
运行结果：
FINAL TEST SCORE FOR forest-cover-type : 0.9677719163877009
在本文复现过程遇到了几个问题，虽然都找到了解决办法，但是有的地方还是有些疑惑不知道是不是bug。
-
在自定义算子中，在预测推理过程中，显存会暴涨，排查结果是因为使用了ctx.save_for_backward(supp_size, output)方法导致的。猜测是在推理过程中只有forward所以保存的Tensor没有被消费掉，所以会暴涨？最终在forward方法中添加一个参数tranning判断是training还是eval，如果是eval阶段则不执行ctx.save_for_backward(supp_size, output)。这样确实内存不会暴涨了，相关issue。
-
还是在自定义算子中，使用了grad_input[output == 0] = 0这种语句会导致显存缓缓增加，每次增加的都很少，在迭代一定次数后，显存被占满，最后程序崩溃。通过以下代码代替grad_input[output == 0] = 0最终解决问题，不知道这里是不是bug。
idx = paddle.fluid.layers.where(output == 0) grad_input_gather = paddle.gather_nd(grad_input, idx) grad_input_gather = 0 - grad_input_gather grad_input = paddle.scatter_nd_add(grad_input, idx, grad_input_gather) -
bn层输入的张量stop_gradient为True时，训练会报错。所以需要处理一下输入才能正常训练，处理方法如下：
将
x = self.initial_bn(x)改为
c = paddle.to_tensor(np.array([0]).astype('float32')) c.stop_gradient = True x_1 = x + c x_1.stop_gradient = False x = self.initial_bn(x_1)
以上是遇到的一些问题的总结。