Duyi-Wang

- 请和DeepRec/modelzoo根目录下的模型代码保持一样的风格和参数接口 - 请代码里只保留单个模型相关信息 - 请移除无关代码，使文件尽量简洁 - 在能够复用tensorflow接口的情况下，避免重写 - 请复用modelzoo中的数据集，DIEN/DIN数据集处理方式与论文 repo里提供的方式有不同

> > * 请和 DeepRec/modelzoo 根目录下的模型代码保持一样的风格和参数接口 > > * 代码里只保留自己的模型相关信息 > > * 请移除其他代码，使文件移除 > > * 在能够复用张量流接口的情况下，避免灵活 > > * 请复用modelzoo中的数据集，DIEN/DIN数据集处理方式与论文回购提供的方式有不同 > > dien和can的数据是一样的，只是处理方法不同，这两个模型生成的文件也不一样 能否复用DIEN生成的数据文件? 虽然原始数据是一致的，但是处理数据需要花费时间。这部分开销对于测试并不友好，目前DeepRec提供的docker中，是直接提供DIEN处理后的数据文件。如果能够和DIN一样复用的话，能够有效减少测试时处理数据的时间以及减小docker image的大小。

> > > > * 请和 DeepRec/modelzoo 根目录下的模型代码保持一样的风格和参数接口 > > > > * 代码里只保留自己的模型相关信息 > > > > * 请移除其他代码，使文件移除 > > > > * 在能够复用张量流接口的情况下，避免灵活 > > > >...

> > > > > > * 请和 DeepRec/modelzoo 根目录下的模型代码保持一样的风格和参数接口 > > > > > > * 代码里只保留自己的模型相关信息 > > > > > > * 请移除其他代码，使文件移除 > > > >...

请按照DeepRec最新代码中modelzoo里DIEN的代码，调整代码结构，主要以下几点： 1.代码文件夹名称改为小写 2.如果无特殊需求，直接复用DIEN中数据处理代码和数据集，prepare_data处理慢不是问题，我们在docker image中提供了数据集。 3.模型代码部分只使用一个train.py文件，代码结构参考DIEN的代码，主要顺序为 模型类定义，使用dataset结构构造输入，构造feature_column，train，eval，main函数，参数解析，分布式配置解析，入口。 4.按照DIEN中的代码，启用DeepRec对应的feature 5.与最新代码保持常规参数的一致，例如batch_size等参数以及DeepRec feature的功能开关 6.尽量减少其他包的import

> > 请按照DeepRec最新代码中动物园里DIEN的代码，调整代码结构，主要以下几点： 1.代码文件夹名称改为编写2.如果没有特殊需求，直接使用 DIEN中数据处理代码集，prep_data 3.模型代码部分只参考一个train.py 文件，代码结构DIEN的，主要使用顺序为模型类定义，数据集构造输入，构造feature_column 4.按照DIEN中的代码，DeepRec的代码，与 代码保持正常的参数一致，例如atch_size等以及DeepRec特性的功能开关 6.减少其他包的进口 > > 是需要我按照DIEN的重新写一个CAN模型吗 是的，包括其他模型，因为要考虑到和现有测试框架的契合

Because your code isn't in trianing. `tf.layers.batch_normalization()` will call to `class BatchNormalizationBase` https://github.com/DeepRec-AI/DeepRec/blob/6bd822e4d05c6b2a005e58342c7661c387b417cb/tensorflow/python/keras/layers/normalization.py#L43 `tf.keras.layers.LayerNormalization()` will call to `class LayerNormalization` https://github.com/DeepRec-AI/DeepRec/blob/6bd822e4d05c6b2a005e58342c7661c387b417cb/tensorflow/python/keras/layers/normalization.py#L898 In LayerNormalization, mean and var are computed by `nn.moments` https://github.com/DeepRec-AI/DeepRec/blob/6bd822e4d05c6b2a005e58342c7661c387b417cb/tensorflow/python/keras/layers/normalization.py#L1025...

you can add input param `moving_mean_initializer='ones'` which is defaulted to 'zeros' and find output is changed.