FeatureColumn交叉仅预计算离散ID，不学真实交互；自定义乘法层（如Multiply）可学习数值×类别等动态交互，但需对齐维度、归一化数值特征并确保梯度流完整。
FeatureColumn做特征交叉：只适合简单组合，别指望它学交互
crossed_column 和 embedding_column 搭配用，能生成离散特征的笛卡尔积（比如 ["gender", "city"] → "male_X_shanghai"），但它不参与梯度更新，纯查表映射。
你看到的“交叉特征”其实是预计算好的 ID，模型后续只学这个 ID 对应的 embedding 向量，不是真正学习两个原始特征如何非线性交互。
- 仅支持
categorical_columnwith*类型，数值列必须先分桶（bucketized_column）才能进crossed_column - 组合后特征空间爆炸：10 个城市 × 2 种性别 × 5 个年龄段 = 100 个桶，如果漏掉某组合，对应 embedding 就是未训练的零向量
-
hash_bucket_size设太小会碰撞，设太大浪费内存；线上 serving 时 hash 行为必须和训练一致，否则 ID 对不上
示例中常见错误：crossed_column([age, gender], hash_bucket_size=10) —— age 是连续值，没过 bucketized_column，运行时报 TypeError: column must be categorical。
自定义乘法层做特征交叉：真学交互，但得管好维度和梯度流
想让模型自己学 “用户点击率 = f(年龄 × 兴趣权重 + 地域 × 偏好偏移)”，就得用可训练的乘法操作，比如 tf.keras.layers.Multiply 或手写 tf.multiply。
关键不是“能不能乘”，而是“乘完怎么接下去”：
- 两个输入张量 shape 必须对齐，比如都是
(None, 1)才能点乘；若一个是(None, 8)（embedding 输出），另一个是(None,)（标量特征），得先tf.expand_dims或tf.reshape - 直接
tf.multiply(a, b)没问题，但若 a 是 dense layer 输出、b 是原始输入，b 默认不可训练，梯度不会回传到 b 的上游（比如归一化层），容易误以为“交叉没效果” - 用
tf.keras.layers.Multiply更稳妥，它自动处理 broadcast，且在 Model 中显式可见，debug 时容易定位
常见翻车点：把 user_emb（shape=(None, 64)）和 item_id（shape=(None,)）直接相乘 —— 报错 Incompatible shapes，得先对 item_id 做 embedding，再确保维度一致。
数值特征×类别特征交叉：先统一成稠密向量，再乘
数值列不能直接和类别 embedding 相乘，因为维度不匹配，也不能靠 crossed_column（它只认离散 ID）。真实场景里，常要表达“高收入用户在一线城市点击更多”，这就需要数值 × 类别联合建模。
做法是：
- 数值列走一个小型 dense 网络（比如 1 层 8 维），输出
num_dense - 类别列走 embedding，输出
cat_emb（比如 (None, 8)） - 两者
tf.multiply(num_dense, cat_emb)，得到逐元素加权后的 embedding - 再接 dense 层或拼接到主干网络
注意：
- 别省略数值列的归一化（
tf.keras.layers.Normalization），否则income=10000和income=50对乘法影响失衡 - 如果用
tf.keras.layers.Dot做内积，输出是标量，丢失了通道信息，一般不用在特征交叉主干上 - 这种乘法结果仍是稠密向量，可直接 concat 或 sum pooling，但别忘了后续 dropout/BN 要适配新维度
性能与部署陷阱：乘法本身快，但 shape 错误会让整个 pipeline 卡住
tf.multiply 计算开销几乎可忽略，真正拖慢训练或炸掉 OOM 的，是 shape 不对导致的隐式 broadcast 或中间张量膨胀。
- 在
tf.function里调试时，用tf.shape(x)查动态 shape，别信x.shape（它可能含None） - TPU 上尤其敏感：broadcast 不兼容会直接报
XLA compilation failed，而不是清晰的 shape error - SavedModel 导出后，输入 signature 必须明确指定所有交叉输入的 shape，比如数值特征不能只写
tf.TensorSpec(shape=[None], ...)，得是shape=[None, 1]，否则 serving 时 reshape 失败
最易被忽略的一点：当用 tf.keras.Model 构建多输入模型时，call 方法里所有乘法操作必须发生在 inputs 已经经过各自 preprocessing layer 之后——否则 preprocessing 的可导性断裂，交叉部分就变成静态规则了。
