在工作用了tensorboard来可视化模型训练过程后，发现还挺香的。另外pytorch也正式支持tensorboard了，这里记录一下。

在物理学中，测不准关系（Uncertainty Principle），又称为海森堡不确定性原理（Heisenberg Uncertainty Principle），是由德国物理学家维尔纳·海森堡于1927年提出的量子力学的一个基本原理。这个原理表明，在量子尺度上，某些对易不为零的物理量（比如位置和动量）是不可能同时被精确测量的。

为了建模多标签之间的依赖关系，本篇工作用序列生成的方式来解决该问题。

DCN是DeepFM的升级版，后者是只能做二阶交叉特征，随着阶数上升，模型复杂度大幅提高，且FM网络层较浅，表达能力有限。google团队通过构建深度交叉网络来自动进行特征的高阶交叉，且时空复杂度均为线性增长，极大提升了模型性能。

小天狼星·布莱克（Sirius Black）是《哈利·波特》系列中的一个重要角色，他是哈利·波特的教父，也是哈利父亲詹姆·波特（James Potter）最好的朋友之一。小天狼星是一个复杂而悲剧性的人物，他的经历和命运贯穿了整个系列。

鉴于PEPNet已经是多场景、多任务建模的baseline，这里有必要详细讲解一下。

上一节讲述了线上运筹发放红包的流程，但在实践中发现发券分布异常极端，倾向于发在两端，即要么最小面额（占绝大多数），要么最大面额。如果长期按照这种分布发放，将会极大影响用户核销体验以及平台订单的持久增长。

上述问题迫使我们思考，除了满足预算约束外，我们的量价模型还应该具备哪些能力？

营销本质是个预算分配问题，即如何在有限资源约束下实现收益最大化。当用户进入营销场景时，我们需要确定是否给该用户发放红包以及发放红包面额。

在搜广推场景中，正负样本不平衡是个普遍现象。通常做法是对负样本进行降采样，但采样后训练的模型预估概率会比实际概率高估。