add custom op demo

docs/source/component/custom_op.md

@@ -3,22 +3,22 @@
 当内置的tf算子不能满足业务需求，或者通过组合现有算子实现需求的性能较差时，可以考虑自定义tf的OP。
 
 1. 实现自定义算子，编译为动态库
-    - 参考官方示例：[TensorFlow Custom Op](https://github.com/tensorflow/custom-op/)
-    - 注意：自定义Op的编译依赖tf版本需要与执行时的tf版本保持一致
-    - 您可能需要为离线训练 与 在线推理服务 编译两个不同依赖环境的动态库
-      - 在PAI平台上需要依赖 tf 1.12 版本编译
-      - 在EAS的 [EasyRec Processor](https://help.aliyun.com/zh/pai/user-guide/easyrec) 中使用自定义Op需要依赖 tf 2.10.1 编译
-2. 在`EasyRec`中使用自定义Op的步骤
+   - 参考官方示例：[TensorFlow Custom Op](https://github.com/tensorflow/custom-op/)
+   - 注意：自定义Op的编译依赖tf版本需要与执行时的tf版本保持一致
+   - 您可能需要为离线训练 与 在线推理服务 编译两个不同依赖环境的动态库
+     - 在PAI平台上需要依赖 tf 1.12 版本编译
+     - 在EAS的 [EasyRec Processor](https://help.aliyun.com/zh/pai/user-guide/easyrec) 中使用自定义Op需要依赖 tf 2.10.1 编译
+1. 在`EasyRec`中使用自定义Op的步骤
    1. 下载EasyRec的最新[源代码](https://github.com/alibaba/EasyRec)
-   2. 把上一步编译好的动态库放到`easy_rec/python/ops/${tf_version}`目录，注意版本要子目录名一致
-   3. 开发一个使用自定义Op的组件
+   1. 把上一步编译好的动态库放到`easy_rec/python/ops/${tf_version}`目录，注意版本要子目录名一致
+   1. 开发一个使用自定义Op的组件
       - 新组件的代码添加到 `easy_rec/python/layers/keras/custom_ops.py`
       - `custom_ops.py` 提供了一个自定义Op组件的示例
       - 声明新组件，在`easy_rec/python/layers/keras/__init__.py`文件中添加导出语句
-   4. 编写模型配置文件，使用组件化的方式搭建模型，包含新定义的组件（参考下文）
-   5. 运行`pai_jobs/deploy_ext.sh`脚本，打包EasyRec，并把打好的资源包（`easy_rec_ext_${version}_res.tar.gz`）上传到MaxCompute项目空间
-   6. (在DataWorks里 or 用odpscmd客户端工具) 训练 & 评估 & 导出 模型
- 
+   1. 编写模型配置文件，使用组件化的方式搭建模型，包含新定义的组件（参考下文）
+   1. 运行`pai_jobs/deploy_ext.sh`脚本，打包EasyRec，并把打好的资源包（`easy_rec_ext_${version}_res.tar.gz`）上传到MaxCompute项目空间
+   1. (在DataWorks里 or 用odpscmd客户端工具) 训练 & 评估 & 导出 模型
+
 ## 导出自定义Op的动态库到 saved_model 的 assets 目录
 
 ```bash
@@ -36,11 +36,12 @@ pai -name easy_rec_ext
 ```
 
 **注意**：
+
 1. 在 训练、评估、导出 命令中需要用`-Dres_project`指定上传easyrec资源包的MaxCompute项目空间名
-2. 在 训练、评估、导出 命令中需要用`-Dversion`指定资源包的版本
-3. asset_files参数指定的动态库会被线上推理服务加载，因此需要在与线上推理服务一致的tf版本上编译。（目前是EAS平台的EasyRec Processor依赖 tf 2.10.1版本）。
+1. 在 训练、评估、导出 命令中需要用`-Dversion`指定资源包的版本
+1. asset_files参数指定的动态库会被线上推理服务加载，因此需要在与线上推理服务一致的tf版本上编译。（目前是EAS平台的EasyRec Processor依赖 tf 2.10.1版本）。
    - 如果 asset_files 参数还需要指定其他文件路径（比如 fg.json），多个路径之间用英文逗号隔开。
-4. 再次强调一遍，**导出的动态库依赖的tf版本需要与推理服务依赖的tf版本保持一致**
+1. 再次强调一遍，**导出的动态库依赖的tf版本需要与推理服务依赖的tf版本保持一致**
 
 ## 自定义Op的示例
 
@@ -57,7 +58,7 @@ feature_config: {
     input_names: 'title'
     feature_type: PassThroughFeature
   }
-} 
+}
 model_config: {
   model_class: 'RankModel'
   model_name: 'MLP'
@@ -121,6 +122,6 @@ model_config: {
 
 1. 如果自定义Op需要处理原始输入特征，则在定义特征时指定 `feature_type: PassThroughFeature`
    - 非 `PassThroughFeature` 类型的特征会在预处理阶段做一些变换，组件代码里拿不到原始值
-2. 自定义Op需要处理的原始输入特征按照顺序放置到同一个`feature group`内
-3. 配置一个类型为`raw_input`的输入组件，获取原始输入特征
+1. 自定义Op需要处理的原始输入特征按照顺序放置到同一个`feature group`内
+1. 配置一个类型为`raw_input`的输入组件，获取原始输入特征
    - 这是目前EasyRec支持的读取原始输入特征的唯一方式

docs/source/component/sequence.md

@@ -10,6 +10,7 @@
 所有 `SequenceFeature` 类型的子特征都被识别为`history behavior sequence`的一部分; 所有非`SequenceFeature` 类型的子特征都被识别为`target item`的一部分。
 
 **两部分的子特征的顺序需要保持一致**。在下面的例子中，
+
 - `concat([cate_id,brand], axis=-1)` 是`target item`最终的embedding（2D）;
 - `concat([tag_category_list, tag_brand_list], axis=-1)` 是`history behavior sequence`最终的embedding（3D）
 

easy_rec/python/test/train_eval_test.py

@@ -407,7 +407,8 @@ def test_highway(self):
       'EditDistanceOp only work before tf version == 2.0')
   def test_custom_op(self):
     self._success = test_utils.test_single_train_eval(
-        'samples/model_config/mlp_on_movielens_with_custom_op.config', self._test_dir)
+        'samples/model_config/mlp_on_movielens_with_custom_op.config',
+        self._test_dir)
     self.assertTrue(self._success)
 
   def test_cdn(self):