TF Sıralamasına kısa bir giriş
Bu makale, orijinal başlığı olan AI Araştırma Enstitüsü tarafından derlenen teknik bir blogdur:
TF Sıralamasına Giriş
Yazar | Jesus Rodriguez
Tercüme | Lemon_Sophia
Düzeltme | Demps Jeff İncelemesi | Sos Safran Son İşlem | Ayakta Balık Kralı
Orijinal bağlantı:
https://towardsdatascience.com/introducing-tf-ranking-f94433c33ff
Sıralama, makine öğrenimi senaryolarındaki en yaygın sorunlardan biridir. Aramadan öneri sistemlerine kadar sıralama modelleri, birçok ana makine öğrenimi mimarisinin önemli bir parçasıdır. Makine öğrenimi teorisinde, sıralama yöntemleri genellikle sıraya göre öğrenme (LTR) veya makine öğrenimi sıralaması (LTR) gibi terimler kullanır. Alaka düzeyine rağmen, çoğu makine öğrenimi çerçevesinde büyük ölçekte LTR modelleri geliştirmek hala bir zorluktur. Son zamanlarda, Google'ın yapay zeka (AI) mühendisleri, yüksek düzeyde ölçeklenebilir LTR modelleri oluşturmak için TensorFlow tabanlı bir çerçeve olan TF-Ranking'i tanıttı. Birkaç hafta önce yayınlanan bir araştırma makalesi, TF-Ranking'in arkasındaki ilkeleri detaylandırdı.
Kavramsal olarak, sıralama problemi, tüm listenin faydasını en üst düzeye çıkarabilecek bir dizi numuneyi (veya örnekleri) sıralamanın bir türevi olarak tanımlanır. Bu tanım, sınıflandırma ve regresyon problemlerine benzer, ancak sıralama problemi temelde farklıdır. Sınıflandırma veya regresyonun amacı, her örneğin etiketini veya değerini olabildiğince doğru bir şekilde tahmin etmek iken, sıralamanın amacı, en uygun örneklerin ilk önce gösterilmesi için tüm örnek listesinin sıralanmasını optimize etmektir. Korelasyonu anlamak için, LTR yöntemi, örnek özellik vektörünü etiketli verilerin gerçek değerli puanlarına eşleyen bir puanlama fonksiyonunu (değerli puanlar) öğrenmeye çalışır.
Bu basit mimari, RankLib veya LightGBM gibi çoğu sıralama algoritması ve kitaplığının temeli haline geldi. Bu kitaplıklar etkili sıralama yöntemleri sağlasa da, küçük veri kümeleri için uygulanmaktadır ve bu da onları büyük miktarda eğitim verisine dayanan pratik senaryolarda kullanışsız kılmaktadır. Ek olarak, mevcut LTR kitaplığı, derin öğrenme senaryolarında yaygın olan seyrek ve çok boyutlu veri kümeleri için tasarlanmamıştır.
Mevcut LTR yığınlarının sınırlamaları, derin öğrenme senaryolarında LTR yöntemlerinin uygulanmasını gittikçe daha karmaşık hale getirir. Temel derin öğrenme çerçevelerinde (TensorFlow, MxNet, PyTorch veya Caffe2 gibi) sıralama modelleri için destek eksikliği nedeniyle, bu sorun daha ciddi hale geldi.
TF Sıralamasına Girin
TF Sıralaması, derin öğrenme senaryolarında TLR yöntemlerinin uygulanmasını destekleyen tensorflow tabanlı bir çerçevedir. Çerçeve, ikili ikili veya liste halinde kayıp işlevleri, çok maddeli puanlama, sıralama indeksi optimizasyonu ve tarafsız öğrenme sıralaması gibi popüler TLR tekniklerinin uygulanmasını içerir.
TF-Ranking'in uygulanması çok karmaşıktır, ancak kullanımı da çok basittir. Uygulamanın temel bileşeni, özellikleri ve etiketleri girdi olarak kabul eden ve moda göre (TRAIN, EVAL, PREDICT) kayıpları, tahminleri, ölçümleri ve eğitim işlemlerini döndüren bir model_fn işlevidir. Model_fn işlevini oluşturmak için TF Sıralamasının kullanımı, iki temel bileşenin birleşimine dayanır: puanlama işlevi ve sıralama başlığı.
-
Puanlama İşlevi: TF Sıralaması, tekli ve çoklu puanlama işlevlerini destekler. Tek puanlama işlevi, girişin tek bir örneğin özelliklerini temsil ettiği ve çıktı olarak bir puanın hesaplandığı F (X) = işlevini kullanabilir. Çok maddeli puanlama işlevi, bir dizi örnekten oluşan bu yapıyı genişletir. TF Sıralaması, her örnek listeyi birkaç tensöre böler, tensörün şekli. Yukarıdaki kod örneğinden görebileceğiniz gibi, puanlama işlevi, sıralama model_fn oluşturucusuna iletilen, kullanıcı tarafından belirlenen bir kapanış işlemidir.
-
Sıralama Başlığı: TF Sıralaması, belirli bir gösterge için bir sıralama başlığı ve sıralama mantığı kaybı kullanır. Kavramsal olarak, sıralama başlığı yapısı, puanlar, etiketler ve isteğe bağlı örnek ağırlıklar vererek sıralama göstergelerini ve sıralama kayıplarını hesaplar. Programlı olarak, sıralama başlığı tf.head.create_ranking_head fabrika yöntemi ile gösterilir.
TF Sıralamasını Kullan
Bir programlama perspektifinden bakıldığında, TF-Ranking, eğitim, değerlendirme, tahmin ve model hizmetleri gibi makine öğrenimi uygulama yaşam döngüsünün farklı yönlerini özetleyen TensorFlow Estimator arayüzünü uygular. TF-Ranking kullanma deneyimi aşağıdaki kodda gösterilmektedir.
Basit programlamaya ek olarak, TF-Ranking ayrıca TensorFlow ekosisteminin diğer bölümlerini de entegre eder. TF-Rankign kullanılarak geliştirilen modeller, aşağıdaki şekilde gösterildiği gibi TensorBoard araç seti kullanılarak görsel olarak değerlendirilebilir.
TF Sıralamasının gerçek dünyada uygulanması
Google, TF-Ranking'i iki görev açısından kritik senaryoda değerlendirdi: Gmail araması ve Google Drive'da depolanan belgelerin önerisi. Gmail arama senaryosunda, belirli bir kullanıcı sorgusuyla eşleşen beş sonucu sıralamak için TF Sıralaması kullanılır. Kullanıcı tıklamaları gibi metrikler, sıralama için alakalı etiketler olarak kullanılır. Farklı sıralama modellerinin sonuçları aşağıdaki matriste gösterilmektedir.
Google Drive senaryosunda, TF Sıralaması, kullanıcı sürücünün ana ekranını ziyaret ettiğinde mevcut ilgili belgeleri görüntüleyen bir öneri motoru uygulamak için kullanılır. Gmail senaryosuna benzer şekilde, öneri sistemi, sıralama modelini yeniden değerlendirmek için kullanıcı tıklamalarını dikkate alır. Sonuçlar aşağıdaki matriste gösterilmektedir.
TF Sıralaması, TensorFlow yığınına iyi bir ektir. Selefinden farklı. TF Sıralaması, büyük veri kümeleri gerektiren modeller için optimize edilmiştir ve TensorFlow tahmincisine dayalı çok basit bir geliştirici deneyimi sağlar. Örnekler ve eğitimleri içeren TF Sıralaması kodu GitHub'da bulunabilir.
Bu makalenin ilgili bağlantılarını ve referanslarını görüntülemeye devam etmek ister misiniz?
[TF Sıralamasına Giriş] 'e tıklayın veya şu adrese basılı tutun: Lei Feng Wang Lei Feng Wang Lei Feng Wang
https://ai.yanxishe.com/page/TextTranslation/1342
Yapay zeka tanıtımı, büyük veri ve makine öğrenimi hakkında ücretsiz eğitimler
Sınırlı bir süre için 35 birinci sınıf orijinal öğretici açıktır. Bu tür kitap listesi, tanınmış veri bilimi web sitesi KDnuggets'ın editör yardımcısı ve aynı zamanda kıdemli bir veri bilimcisi ve derin öğrenme teknolojisi meraklısı Matthew Mayo tarafından önerilmektedir. Zengin makine öğrenimi ve veri bilimi alanlarına sahiptir. Bilimsel araştırma ve mesleki deneyim.
Almak için bağlantıya tıklayın: https://ai.yanxishe.com/page/resourceDetail/417
