Modelli scalabili di apprendimento neurale per classificare (LTR), Modelli scalabili di apprendimento neurale per classificare (LTR).
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 = { "float_features": tf.keras.Input(shape=(None, 136), dtype=tf.float32) } 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 Ranking è una libreria open source per lo sviluppo di modelli scalabili di apprendimento neurale per classificare (LTR). I modelli di classificazione sono in genere utilizzati nei sistemi di ricerca e raccomandazione, ma sono stati anche applicati con successo in un'ampia varietà di campi, tra cui traduzione automatica , e-commerce di sistemi di dialogo , solutori SAT , pianificazione urbana intelligente e persino biologia computazionale.
Un modello di classificazione prende un elenco di elementi (pagine web, documenti, prodotti, film, ecc.) e genera un elenco in un ordine ottimizzato, come gli elementi più rilevanti in cima e gli elementi meno rilevanti in fondo, di solito in risposta a una domanda dell'utente:
Questa libreria supporta le funzioni di perdita standard a punti, a coppie e a lista per i modelli LTR. Supporta anche un'ampia gamma di metriche di ranking, tra cui Mean Reciprocal Rank (MRR) e Normalized Discounted Cumulative Gain (NDCG), in modo da poter valutare e confrontare questi approcci per la tua attività di ranking. La libreria Ranking fornisce anche funzioni per approcci di ranking avanzati che vengono studiati, testati e creati dagli ingegneri di machine learning di Google.
Inizia con la libreria TensorFlow Ranking controllando il tutorial . Scopri di più sulle funzionalità della libreria leggendo la Panoramica Controlla il codice sorgente per TensorFlow Ranking su GitHub .
