Deep&Cross Network 是繼wide&deep模型推出的，對比主要是將wide層改成cross層，用於特徵的充分自動交叉編碼，而後和deep層特徵拼接作爲最後一層輸入，其基本參數
- feature_size(類別特徵數): M
- field_size(類別特徵列): F
- dense size(連續特徵個數): D
- embedding size(每個類別特徵表示維度數): K
- batch size :B
如上圖所知，其原始輸入X0是由連續特徵(Dense feature)和類別特徵(Sparse feature)拼接而成。
因此同樣需要先建立一個[M,K]的embedding矩陣，然後通過tf.lookup函數從emb matrix取出一批次的類別特徵[B,F,K]
X0:[B,F*K+D] ==> [B,d] 注：爲方便用d代替（F*K+D）
1. cross layer
可以着重研究一下爲什麼是這種交叉方式，他實現了怎樣的交叉
圖源自知乎https://zhuanlan.zhihu.com/p/96010464
從上可以推斷，當cross layer疊加至L層時 ，特徵實現了L+1階的所有交叉組合，真的是很強！
複雜度分析：假設有L個cross層，每層的需要訓練的參數是w,b有2*d個參數，因此共有L*2*d個參數。時間和空間複雜度均是隨輸入維度增長而線性增長的。
在計算時，因爲x'w爲標量，因爲可先計算後兩項，再和x0相乘，維度代碼如下
xl_w = tf.tensordot(xl, w, axes=[1,0]) # (B, )
x0_xl_w = tf.multiply(x0, tf.expand_dims(xl_w, -1)) #[B,d]
x = tf.add(x0_xl_w, b) # [B,d]
x = x+xl # [B,d]
2. deep layer
deep層就是普通DNN模型了，也是幫助特徵進行交叉，實現特徵的非線性變化，維度和思想都比較簡單，就不多贅述了。
3. Combination Layer
最後將兩層拼接起來，再經過一個fc layer，得到[B,1]的輸出，經過sigmoid函數的洗禮就是最終的預測值了
# concat_part
concat_input = tf.concat([self.cross_network_out, self.y_deep], axis=1)
self.out = tf.add(tf.matmul(concat_input,self.weights['concat_projection']),self.weights['concat_bias'])