স্কেলযোগ্য, স্নায়বিক শিক্ষার র‌্যাঙ্ক (LTR) মডেল

import tensorflow as tf
import tensorflow_datasets as tfds
import tensorflow_ranking as tfr

# Prep data
ds = tfds.load("mslr_web/10k_fold1", split="train")
ds = ds.map(lambda feature_map: {
    "_mask": tf.ones_like(feature_map["label"], dtype=tf.bool),
    **feature_map
})
ds = ds.shuffle(buffer_size=1000).padded_batch(batch_size=32)
ds = ds.map(lambda feature_map: (
    feature_map, tf.where(feature_map["_mask"], feature_map.pop("label"), -1.)))

# Create a model
inputs = {
    name: tf.keras.Input(shape=(None, 1), dtype=tf.float32, name=name)
    for name in ds.element_spec[0]
    if name != "_mask"
}
norm_inputs = [tf.keras.layers.BatchNormalization()(x) for x in inputs.values()]
x = tf.concat(norm_inputs, axis=-1)
for layer_width in [128, 64, 32]:
  x = tf.keras.layers.Dense(units=layer_width)(x)
  x = tf.keras.layers.Activation(activation=tf.nn.relu)(x)
scores = tf.squeeze(tf.keras.layers.Dense(units=1)(x), axis=-1)

# Compile and train
model = tf.keras.Model(inputs=inputs, outputs=scores)
model.compile(
    optimizer=tf.keras.optimizers.Adam(learning_rate=0.01),
    loss=tfr.keras.losses.SoftmaxLoss(),
    metrics=tfr.keras.metrics.get("ndcg", topn=5, name="NDCG@5"))
model.fit(ds, epochs=3)

TensorFlow রাঙ্কিং মাপযোগ্য, নিউরাল উন্নয়নশীল জন্য একটি ওপেন সোর্স লাইব্রেরি পদে লার্নিং (LTR) মডেল। রাঙ্কিং মডেলের সাধারণত অনুসন্ধান এবং সুপারিশ সিস্টেম ব্যবহার করা হয়, কিন্তু হয়েছে সফলভাবে সহ ক্ষেত্র, বিভিন্ন আবেদন করেছেন মেশিন অনুবাদ , সংলাপ ব্যবস্থা ই-কমার্স , স্যাট solvers , স্মার্ট নগর পরিকল্পনা , এবং এমনকি গণনীয় জীববিদ্যা।

একটি র‌্যাঙ্কিং মডেল আইটেমগুলির একটি তালিকা (ওয়েব পৃষ্ঠা, নথি, পণ্য, চলচ্চিত্র, ইত্যাদি) নেয় এবং একটি অপ্টিমাইজ করা ক্রমে একটি তালিকা তৈরি করে, যেমন শীর্ষে সবচেয়ে প্রাসঙ্গিক আইটেম এবং নীচে সবচেয়ে কম প্রাসঙ্গিক আইটেমগুলি, সাধারণত এর প্রতিক্রিয়া হিসাবে একটি ব্যবহারকারীর প্রশ্ন:

এই লাইব্রেরি LTR মডেলের জন্য স্ট্যান্ডার্ড পয়েন্টওয়াইজ, পেয়ারওয়াইজ এবং লিস্টওয়াইজ লস ফাংশন সমর্থন করে। এছাড়া র্যাঙ্কিং মেট্রিক্স বিস্তৃত সহ সমর্থন মিন পারস্পরিক মান (চাহিদাপত্রের) এবং স্বাভাবিকৃত ছাড় ক্রমযোজিত লাভ যাতে আপনি মূল্যায়ন এবং এগুলো কি তোমার র্যাংকিং কাজের জন্য পন্থা তুলনা করতে পারবেন, (NDCG)। র‌্যাঙ্কিং লাইব্রেরি উন্নত র‌্যাঙ্কিং পদ্ধতির জন্য ফাংশনও প্রদান করে যা Google-এর মেশিন লার্নিং ইঞ্জিনিয়ারদের দ্বারা গবেষণা, পরীক্ষিত এবং তৈরি করা হয়।

চেক আউট দ্বারা TensorFlow রাংক গ্রন্থাগার দিয়ে শুরু করুন টিউটোরিয়াল । পড়ার মাধ্যমে লাইব্রেরির ক্ষমতা সম্পর্কে আরো জানুন ওভারভিউ আউট TensorFlow উপর রাঙ্কিং জন্য সোর্স কোড চেক GitHub