含义

NFM模型是将FM与DNN进行融合，通过引入特征交叉池化层将FM与DNN进行衔接，这样就组合了FM的建模低阶特征交互能力和DNN学习高阶特征交互和非线性的能力。
在上一节DEEPFM中，我们已经知道，FM只能将两个特征进行重组，而不能将高阶特征进行重组，并且FM是线性组合，将DNN引入，可以提升FM进行特征交互能力和学习非线性表达的能力。
NFM公式

与FM公式相比，红色部分被一个表达能力更强的函数替代，特征之间的交互不局限于两个特征，也不局限与线性组合了。
NFM在fm得到二阶的交叉特征之后，加入了一个网络，将二阶特征再进行合并，进而就可以提取高阶交叉特征，因此增强了FM的表达能力。
NFM得隐藏层是全连接层，预测层

池化层：
常见的池化层
它实际上是一种形式的降采样。有多种不同形式的非线性池化函数，而其中“最大池化（Max pooling）”是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。直觉上，这种机制能够有效地原因在于，在发现一个特征之后，它的精确位置远不及它和其他特征的相对位置的关系重要。池化层会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。通常来说，CNN的卷积层之间都会周期性地插入池化层。
池化的作用：
池化操作后的结果相比其输入缩小了。池化层的引入是仿照人的视觉系统对视觉输入对象进行降维和抽象。在卷积神经网络过去的工作中，研究者普遍认为池化层有如下三个功效：

1.特征不变性：池化操作是模型更加关注是否存在某些特征而不是特征具体的位置。其中不变形性包括，平移不变性、旋转不变性和尺度不变性。
平移不变性是指输出结果对输入对小量平移基本保持不变，例如，输入为(1, 5, 3), 最大池化将会取5，如果将输入右移一位得到(0, 1, 5)，输出的结果仍将为5。对伸缩的不变形，如果原先的神经元在最大池化操作后输出5，那么经过伸缩（尺度变换）后，最大池化操作在该神经元上很大概率的输出仍是5.
2.特征降维（下采样）：池化相当于在空间范围内做了维度约减，从而使模型可以抽取更加广范围的特征。同时减小了下一层的输入大小，进而减少计算量和参数个数。
3.在一定程度上防止过拟合，更方便优化。
4.实现非线性（类似relu）。
5.扩大感受野。

思考题
NFM中的特征交叉与FM中的特征交叉有何异同，分别从原理和代码实现上进行对比分析
1、FM模型只将特征组合为双特征，也就是说不能学习更高阶的特征组合，但是NFM加入了DNN，因此就能学习2阶以上的特征。
2、FM的特征组合，是线性的，就是组合特征之间，是线性组合。而NFM使用一个函数取代了原来的线性部分，因此特征之间不局限于线性组合了。

问题
如何确定输入应该进入linear input还是dnn input？？这种分割是按照什么标准的？？还是完全人为判断？？？