TorchEasyRec 在 macOS 上的功能限制总结
简介：
本文总结tzrec在macOS上的功能限制：核心依赖（如torchrec、fbgemm-gpu、graphlearn等）无法安装；分布式训练、原生数据管线、Embedding模块、Triton/CUDA算子、TDM树模型等功能完全不可用；优化器与模型导出部分失效；单元测试大多因强依赖而失败。
tzrec 在 macOS 上的功能限制总结
一、核心依赖缺失（无法安装在 macOS 上）
二、不可用的功能模块
1. 分布式训练（完全不可用）
- main.py 中的 train_and_evaluate 深度依赖 torchrec 的 DistributedModelParallel、TrainPipelineSparseDist、CombinedOptimizer、apply_optimizer_in_backward 等
- torchrun 多 GPU/多节点训练无法使用
- Embedding 分片规划 (plan_util.py) 依赖 EmbeddingShardingPlanner
2. 原生数据管线（不可用）
- datasets/utils.py：Batch 类依赖 KeyedJaggedTensor、Pipelineable
- datasets/data_parser.py：依赖 JaggedTensor、KeyedJaggedTensor
- datasets/odps_dataset.py：依赖 alibabacloud_credentials
- datasets/odps_dataset_v1.py：依赖 common_io
- datasets/kafka_dataset.py：依赖 confluent_kafka
- datasets/sampler.py：依赖 graphlearn
3. 原生 Embedding 模块（不可用）
- modules/embedding.py：EmbeddingBagCollection、ManagedCollisionEmbeddingBagCollection 等均来自 torchrec
- DynamicEmb (utils/dynamicemb_util.py)：依赖 torchrec 分片类型
4. 优化器（部分不可用）
- optim/optimizer.py：依赖 fbgemm_gpu 的 split_table_batched_embeddings_ops_training
- optim/optimizer_builder.py：依赖 fbgemm_gpu 的 WeightDecayMode
- torchrec 的 apply_optimizer_in_backward（稀疏 Embedding 优化器）
5. 模型导出（不可用）
- utils/export_util.py：导出为 RTP/EAS 格式需要 torchrec 的 ShardedModule、quantize_embeddings、DistributedModelParallel 等
6. Triton/CUDA 算子加速（不可用）
- ops/_triton/：Triton kernel 需要 NVIDIA GPU
- HSTU 注意力、位置编码的 Triton 加速路径（DLRM-HSTU 模型相关）
7. TDM 树模型（不可用）
- 依赖 graphlearn 做图采样（树构建、树检索、树聚类）
