CTI-Inference-Opt/CLAUDE.md

CLAUDE.md

This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.

项目概述

百度商业AI技术创新大赛 (CTI) 2026 — 生成式推荐广告排序推理性能优化。

目标：给定 GRAB Transformer 模型，在不改模型结构、不在测试集训练的前提下，极致优化推理性能。量化/稀疏/剪枝明确允许。

环境与常用命令

# 激活虚拟环境
.\.venv\Scripts\Activate.ps1

# 本地运行推理（需要 dataset/ 和 ckpt.pt）
.\.venv\Scripts\python.exe 代码\code\infer.py
.\.venv\Scripts\python.exe 代码\code\infer.py --ckpt path/to/ckpt.pt

# AI Studio SDK（下载数据集、提交）
.\.venv\Scripts\aistudio.exe download --dataset <id> --local_dir ./dataset --token <token>
.\.venv\Scripts\aistudio.exe download --model <id> --local_dir . --token <token>

# 打包提交
cd 代码/code && zip -r ../../submit.zip infer.py requirements.txt build_env.sh

本地环境仅装 numpy + tqdm + aistudio-sdk（轻量），完整 PyTorch 依赖见 代码/code/requirements.txt，训练/推理在服务端跑。

代码架构

infer.py  (单文件，~730 行，所有逻辑集中于此)
├── 数据加载层
│   ├── _detect_has_clk()          — 检测 CSV 是否有 clk 列
│   ├── load_sample_files()        — 加载 CSV → item_dict + user_seq
│   ├── load_logids_from_file()    — 快速提取文件中所有 logid
│   └── CTRUserDataset(Dataset)    — 按用户组织的 CTR 数据集
│       └── make_collate_fn()      — 将用户样本拼接为 batch（含 slot 特征展开）
├── 模型层
│   ├── RepEncoder                 — Slot-wise Embedding → LayerNorm → Linear
│   │   └── Embedding(5M vocab, 512d) × 28 slots → segment_reduce(sum) → concat
│   ├── TransformerEncoder (8 层)
│   │   ├── QKV Projection → Multi-Head Attention (scaled_dot_product)
│   │   ├── SMoE FFN（8 experts, Top-2 gating, 每层独立）
│   │   └── Pre-LayerNorm + Residual
│   ├── CTRModel                   — RepEncoder + Transformer → Linear → logit
│   │   └── Causal mask: 同一用户的 tokens 因果遮罩，不同用户隔离
│   └── load_model(ckpt_path, device) — 模型构建 + 权重加载入口
├── 推理循环 (main)
│   ├── 数据加载（优先缓存 shard_*.pt）
│   ├── 逐 batch 推理 + 计时（只计 model(batch) 耗时）
│   └── 按 test.csv 顺序写 predict.txt
└── 打分工具
    └── _cal_score() — AUC + PCOC + latency → score_all

模型参数规模：Embedding 5M×512 + 8 层 Transformer (d_model=512, n_heads=8, dim_ff=1024) × MoE(8 experts) ≈ 6.5M11.3M 参数。

关键接口（评测系统调用契约）

评测系统通过 from infer import ... 加载代码，以下是必须对齐的接口（来自 代码/任务提交接口说明.md）：

接口	签名	说明
load_sample_files	(sample_files_list: List[Path]) -> (item_dict, user_seq)	数据加载
CTRTestSeqDataset	(test_logids_ordered, item_dict, user_seq, max_feasign_per_slot, max_ctx_len)	必须有 max_slot_id 属性
make_collate_fn	(max_slot_id) -> Callable	DataLoader 的 collate_fn
load_model	(ckpt_path: Path) -> (model, device)	第一个参数是 Path
move_batch_to_device	(batch, device) -> batch
model(batch)	-> (logits, moe_loss)	logits 经 sigmoid 后是点击概率

致命不匹配（baseline infer.py 当前存在，提交前必须修复）：

1. 类名 CTRUserDataset → 应为 CTRTestSeqDataset
2. 构造参数 pred_logids → 应为 test_logids_ordered，缺少 max_ctx_len
3. load_model(device='cuda:0', ckpt_path=None) → 应为 load_model(ckpt_path, device='cuda:0')（Path 作为第一参数）

提交规范

压缩包结构

submit.zip
├── infer.py              # 必需，实现上述全部接口
├── requirements.txt      # 可选，阿里云 PyPI 镜像安装
└── build_env.sh          # 可选，超时 720s，非 0 退出即失败

硬约束（任一违反 → 总分 0）

• 推理耗时 < 300s（只计 model(batch) 逐 batch 累加）
• AUC ∈ [0.65, 1.0]，PCOC ∈ [0.85, 1.15]
• 压缩包内不能有 dataset/ 或 ckpt.pt
• 包后缀只能是 .zip/.tar.gz/.tar，解压后文件在根目录
• 每天最多提交 10 次

总分公式

score_latency = max(0, (300 - latency) / 300)
score_model   = ((AUC - 0.65) * 1000 + (0.15 - |PCOC - 1|) / 0.15 * 10) / 360
score_all     = score_latency * 70 + score_model * 30

评测环境

• 硬件: NVIDIA A800 (80GB, SM80)
• 软件: Python 3.10 + PyTorch 2.6.0
• 评测数据集 ≠ baseline 数据集（AUC 天然有差异）

优化合规边界（来自官方 Q&A）

操作	状态	说明
量化（FP16/INT8）	✅ 允许
Flash Attention	✅ 允许	数学等价实现
参数级剪枝/稀疏化（权重置零/mask，形状不变）	✅ 允许	权重矩阵大小、层数、head 数、FFN 维度均不变
减少 Transformer 层数	❌ 违规	改变组网结构
减少 hidden 维度	❌ 违规	改变张量形状
删除 attention head	❌ 违规	改变组网结构
减少 FFN channel	❌ 违规	改变组网结构
序列采样/截断	❌ 违规
对测试集训练	❌ 违规

剪枝细则（来自 Q&A #3）

• 结构化剪枝（❌ 不允许）: 删除整层、整行/整列权重、减少 channel 数等，会改变张量形状或网络拓扑
• 非结构化剪枝（✅ 允许）: 仅将单个权重置零或 mask 掉，不改变权重矩阵形状；可删除对输出贡献较小、冗余度高的部分，前提是结构不被破坏

关键边界：Linear 权重矩阵大小不变、Layer 数量不变、Attention head 数量不变、FFN 维度不变 → 属于合规的参数级剪枝

评测细节

• 计时范围: 仅 model(batch) 逐 batch 累加，move_batch_to_device 不计入
• 硬件: NVIDIA A800 (80GB, SM80)
• 软件: Python 3.10 + PyTorch 2.6.0
• 评测数据集 ≠ baseline 数据集（AUC 天然有差异）
• 策略指标以 baseline 为上限，指标下降会扣分，超出范围直接 0 分
• 人工审核：最终成绩由人工审核判定合规性

数据分析

数据规模

维度	数值
历史数据	15 文件 × ~650K 行 = 923 万行，15GB
测试集	7,774 条预测，13MB
缓存 batch	9 个 shard，17GB，共 2,039 batch
Slot 数量	1-28（28 个特征槽）

数据格式

# History（5 列，含 clk）:
logid,userid,adid,clk,timestamp,sign:slot,...

# Test（4 列，无 clk）:
logid,userid,adid,timestamp,sign:slot,...

特征分布特征

1. Slot 28 是瓶颈槽位：每个样本含 30-50 个 sign:28 特征，远超其他 slot。segment_reduce 在 slot 28 上占据 RepEncoder 最大开销。
2. Slot 19 高度冗余：同一样本内连续出现大量相同 sign:19（如 96:19 重复 40+ 次）。在 segment_reduce(sum) 中，N 个相同 sign 等价于 N × emb，但代码独立查表 N 次再求和，浪费 embedding 带宽。
3. 特征极度稀疏：百万级 sign id，每个样本仅 100-200 个 sign。Embedding 查表是主要内存瓶颈。

数据驱动的可优化方向

方向	合规性	预估收益	说明
Slot 19 同值合并	⚠️	小	N 个相同 sign 合并为 N × emb，减少 embedding 查表次数。属数据预处理灰区
Slot 28 segment_reduce 融合	✅	中	将 slot 28 的大量 sign 预先按 offset 分桶，减少 kernel launch
Embedding 查表带宽	✅	小	已用 FP16，embedding 5M×512 约 5GB

优化路线图（来自 推理优化方案.md）

Baseline 数据：推理 229s，AUC 0.759，PCOC 1.110，得分 25.85。

1. ✅ 接口对齐 — 确认能在评测系统跑通（得分 > 0）
2. ✅ FP16 量化 — model.half()，Embedding 保留 FP32，152s
3. ✅ Flash Attention — 替换 scaled_dot_product 为 F.scaled_dot_product_attention，94.5s
4. ✅ inference_mode() — 替代 no_grad()，92.5s（+2s 小幅提升）
5. ❌ torch.compile — reduce-overhead 和 default 模式均因动态 batch 形状反效果，彻底放弃
6. ❌ MoE Top-1 gating — PCOC 从 1.059 炸到 2.075，已回退
7. ❌ 2:4 结构化稀疏 — PCOC 炸到 2.067，耗时反增 265s。to_sparse_semi_structured 与 nn.Linear 不兼容
8. ✅ SMoE 消除 GPU 同步 — 移除 mask.any()（64 次 GPU→CPU 同步/forward），88.1s

CUDA Graph 已评估并放弃（batch 形状不固定，不适用）。

每步完成后必须在 AI Studio 提交验证，AUC/PCOC 不达标立即回退。

关键文件

路径	用途
代码/code/infer.py	推理主脚本（提交的核心文件）
代码/code/requirements.txt	服务端依赖（torch 2.6.0 + CUDA 12.4）
代码/code/build_env.sh	环境构建脚本（目前为空壳）
代码/任务提交接口说明.md	官方接口规范
推理优化方案.md	完整优化方案（含合规审查）
论文/GRAB_*.pdf	GRAB 论文（baseline 模型）
论文/HSTU_*.pdf	HSTU 论文（架构基础）
.gitignore	排除 ckpt.pt, dataset/, *.zip, .venv/

提交记录

日期	提交次数	得分	AUC	PCOC	耗时	优化手段	备注
06/13	12	58.49	0.7526	1.059	88.1s	+ SMoE 消除 GPU 同步	当前最优
06/13	11	0	0.748	2.067	265.5s	2:4 sparse	❌ 炸毁
06/13	10	57.45	0.7526	1.059	92.5s	+ inference_mode
06/13	9	51.42	0.7525	1.059	118.4s	+ compile(default)	反效果
06/12	8	0	0.736	2.075	119.6s	MoE k=1 + compile	PCOC 炸毁
06/12	6	56.98	0.7526	1.059	94.5s	+ Flash Attention
06/12	3	43.55	0.7525	1.059	152s	+ FP16 量化