从踩坑到跑通：我的 PyTorch 推荐系统框架入门记录
最近在学习基于 PyTorch 的轻量化推荐系统框架 torch-rechub，从环境搭建到成功跑通 DeepFM、DSSM 等经典推荐模型，踩了不少坑，也收获了很多工程化经验。这篇博客就把整个过程和心得记录下来，希望能帮到同样入门的朋友。
一、任务背景
本次学习的核心目标是：
- 熟悉 torch-rechub 框架的整体结构
- 完成从环境配置到模型运行的完整流程
- 解决包依赖、版本冲突、网络不稳定等实际问题
- 为后续深入学习推荐系统算法（含排序/召回）打下基础
二、环境准备与问题解决过程
1. 已有基础与初始误区
我之前已经安装了 Anaconda，但一直没有使用，平时在 PyCharm 中默认使用普通 Python 解释器，没有切换到 conda 环境。这导致了第一个大问题：
- 直接在 PyCharm 中安装 PyTorch 相关包时频繁报错
- 包版本不匹配、安装失败、运行时报错缺少依赖
- 根本原因：环境混乱，没有使用独立的虚拟环境进行隔离
2. 切换到 Anaconda 虚拟环境
意识到问题后，我在 PyCharm 中重新配置了解释器，从原来的普通 Python 解释器切换为 Anaconda 创建的虚拟环境。
关键操作：
- 打开 PyCharm → Settings → Project → Python Interpreter
- 点击齿轮图标 → Add → Conda Environment
- 选择已创建的虚拟环境或新建一个干净的环境
环境隔离后，包安装变得稳定，彻底避免了版本冲突问题。
3. 安装框架依赖
接下来安装 torch-rechub 推荐系统框架及核心依赖：
# 安装基础版
pip install torch-rechub
# 安装完整版（包含 ONNX 导出、实验跟踪等功能）
pip install torch-rechub[all]
# 国内镜像源加速（解决下载慢/超时）
pip install torch-rechub torch numpy pandas scikit-learn -i https://pypi.tuna.tsinghua.edu.cn/simple
4. GitHub 访问不稳定问题
在拉取框架代码、加载资源时，境外 GitHub 网址访问慢、经常失败，网络波动大，导致训练脚本无法正常运行。特别是示例代码中默认的数据集 URL 经常超时，直接影响模型训练流程。
5. 使用模拟数据集 & 修改代码
为了避开网络问题，我采用了以下方案：
- 放弃外部数据集下载，改用框架自带的模拟数据集
- 对示例代码进行小幅修改，直接读取本地生成的模拟数据
- 移除代码中对境外 URL 的依赖，保证训练流程本地化运行
6. 成功运行多类模型训练
最终，我不仅跑通了 DeepFM 排序模型，还成功运行了 DSSM 召回模型示例：
- 两类模型的数据加载、模型构建、训练迭代全部正常输出
- 召回模型的双塔结构、向量相似度计算等核心逻辑完整跑通
- 整套推荐系统的召回+排序基础流程全部验证通过
三、本次任务完成成果
✅ 学会在 PyCharm 中切换 Anaconda 虚拟环境，实现环境隔离
✅ 成功配置 PyTorch + torch-rechub 推荐系统框架完整环境
✅ 解决包安装、版本冲突、网络不稳定等工程化实际问题
✅ 本地化运行模拟数据集，成功跑通 DeepFM（排序）+ DSSM（召回）模型
✅ 熟悉开源推荐系统框架的整体结构与核心模型运行流程
四、学习心得
通过本次环境搭建与框架熟悉任务，我真正掌握了深度学习推荐系统项目从环境配置到模型运行的完整流程，也深刻体会到：
- 环境隔离是基础：Anaconda 虚拟环境能有效避免包版本冲突，是深度学习项目的必备操作，之前踩的坑大多源于环境混乱；
- 工程化能力很重要：处理网络问题、本地化改造代码、解决依赖问题，这些工程化细节直接决定项目能否落地；
- 召回+排序是核心：跑通 DSSM（召回）和 DeepFM（排序）两类核心模型，让我对推荐系统的整体架构有了更直观的认知。
接下来，我会继续深入学习 torch-rechub 框架的轻量化设计思路，尝试更多推荐模型，并结合业务场景做定制化改造。
总结
- 本次学习核心完成了 torch-rechub 框架环境搭建，解决了环境冲突、网络访问等关键问题；
- 成功本地化运行了 DeepFM 排序模型和 DSSM 召回模型，验证了推荐系统基础流程；
- 掌握了推荐系统项目从环境配置到模型训练的工程化落地能力，为后续深入学习打下基础。
如果有同样学习 torch-rechub 框架的朋友，欢迎在评论区交流 DSSM/DeepFM 模型的调优经验～
浙公网安备 33010602011771号