সাহায্য Kaggle উপর TensorFlow সঙ্গে গ্রেট বেরিয়ার রিফ রক্ষা চ্যালেঞ্জ যোগদান

সুপারিশ

টেনসরফ্লো.আর.জে দেখুন গুগল কোলাবে চালান গিটহাবের উত্স দেখুন

ব্যক্তিগতকৃত সুপারিশগুলি মোবাইল ডিভাইসে বিভিন্ন ব্যবহারের ক্ষেত্রে যেমন মিডিয়া সামগ্রী পুনরুদ্ধার, শপিং পণ্য পরামর্শ এবং পরবর্তী অ্যাপ্লিকেশন সুপারিশের জন্য ব্যাপকভাবে ব্যবহৃত হয়। আপনি যদি ব্যবহারকারীর গোপনীয়তার প্রতি শ্রদ্ধা জানাতে আপনার অ্যাপ্লিকেশনটিতে ব্যক্তিগতকৃত প্রস্তাবনা সরবরাহ করতে আগ্রহী হন তবে আমরা নীচের উদাহরণ এবং টুলকিট অন্বেষণের প্রস্তাব দিই।

এবার শুরু করা যাক

আমরা একটি টেনসরফ্লো লাইট নমুনা অ্যাপ্লিকেশন সরবরাহ করি যা Android এর ব্যবহারকারীদের জন্য কীভাবে প্রাসঙ্গিক আইটেমগুলি সুপারিশ করতে হয় তা প্রদর্শন করে।

অ্যান্ড্রয়েড উদাহরণ

আপনি যদি অ্যান্ড্রয়েড ব্যতীত অন্য কোনও প্ল্যাটফর্ম ব্যবহার করছেন বা আপনি ইতিমধ্যে টেনসরফ্লো লাইট এপিআইয়ের সাথে পরিচিত হন তবে আপনি আমাদের স্টার্টার সুপারিশ মডেলটি ডাউনলোড করতে পারেন।

স্টার্টার মডেলটি ডাউনলোড করুন

আপনার নিজের মডেলকে একটি কনফিগারযোগ্য উপায়ে প্রশিক্ষণ দেওয়ার জন্য আমরা গিথুবে প্রশিক্ষণ স্ক্রিপ্টও সরবরাহ করি।

প্রশিক্ষণ কোড

মডেল আর্কিটেকচার বুঝতে

পূর্বাভাসযুক্ত সুপারিশ প্রার্থীকে এনকোড করার জন্য অনুক্রমিক-এনকোডার সহ প্রবন্ধ-এনকোডার সহ আমরা একটি দ্বৈত-এনকোডার মডেল আর্কিটেকচারটি উপার্জন করি। পূর্বাভাসপ্রাপ্ত প্রার্থী ব্যবহারকারীর চাহিদা পূরণের সম্ভাবনা উপস্থাপনের জন্য প্রসঙ্গ এবং লেবেল এনকোডিংগুলির মধ্যে সাদৃশ্য ব্যবহার করা হয়।

এই কোড বেসটি সহ তিনটি পৃথক ক্রমিক ব্যবহারকারী ইতিহাসের এনকোডিং কৌশল সরবরাহ করা হয়েছে:

  • ব্যাগ-অফ-ওয়ার্ড এনকোডার (BOW): প্রসঙ্গের আদেশ বিবেচনা না করে ব্যবহারকারীদের ক্রিয়াকলাপের এম্বেডিংগুলি গড়ে গড়ে তোলা হয়।
  • কনভোলিউশনাল নিউরাল নেটওয়ার্ক এনকোডার (সিএনএন): কনটেকশনাল নিউরাল নেটওয়ার্কগুলির একাধিক স্তর প্রসঙ্গ এনকোডিং তৈরি করতে প্রয়োগ করা applying
  • পুনরাবৃত্ত নিউরাল নেটওয়ার্ক এনকোডার (আরএনএন): প্রসঙ্গ ক্রমকে এনকোড করতে পুনরাবৃত্ত নিউরাল নেটওয়ার্ক প্রয়োগ করা হচ্ছে।

প্রতিটি ব্যবহারকারীর ক্রিয়াকলাপ মডেল করার জন্য, আমরা ক্রিয়াকলাপ আইটেমের আইডি (আইডি-ভিত্তিক), বা আইটেমের একাধিক বৈশিষ্ট্য (বৈশিষ্ট্য-ভিত্তিক), বা উভয়ের সংমিশ্রণ ব্যবহার করতে পারি। ব্যবহারকারীদের আচরণকে সম্মিলিতভাবে এনকোড করতে একাধিক বৈশিষ্ট্য ব্যবহার করে বৈশিষ্ট্য ভিত্তিক মডেল util এই কোড বেসের সাহায্যে আপনি আইডি-ভিত্তিক বা বৈশিষ্ট্য ভিত্তিক মডেলগুলি একটি কনফিগারযোগ্য উপায়ে তৈরি করতে পারেন।

প্রশিক্ষণের পরে, একটি টেনসরফ্লো লাইট মডেল রফতানি করা হবে যা সুপারিশ প্রার্থীদের মধ্যে শীর্ষ-কে পূর্বাভাস সরাসরি সরবরাহ করতে পারে।

আপনার প্রশিক্ষণ ডেটা ব্যবহার করুন

প্রশিক্ষিত মডেল ছাড়াও, আমরা আপনার নিজস্ব ডেটা দিয়ে মডেলগুলি প্রশিক্ষণের জন্য গিটহাবের একটি ওপেন সোর্সযুক্ত টুলকিট সরবরাহ করি। কীভাবে টুলকিট ব্যবহার করবেন এবং নিজের মোবাইল অ্যাপ্লিকেশনগুলিতে প্রশিক্ষণপ্রাপ্ত মডেল স্থাপন করতে শিখতে আপনি এই টিউটোরিয়ালটি অনুসরণ করতে পারেন।

আপনার নিজস্ব ডেটাসেট ব্যবহার করে একটি সুপারিশ মডেলকে প্রশিক্ষণের জন্য এখানে ব্যবহৃত একই কৌশল প্রয়োগ করতে দয়া করে এই টিউটোরিয়ালটি অনুসরণ করুন।

উদাহরণ

উদাহরণ হিসাবে, আমরা উভয় আইডি-ভিত্তিক এবং বৈশিষ্ট্য-ভিত্তিক পদ্ধতির সাথে সুপারিশ মডেলগুলি প্রশিক্ষিত করেছি। আইডি-ভিত্তিক মডেলটি কেবল চলচ্চিত্রের আইডিগুলিকে ইনপুট হিসাবে নেয় এবং বৈশিষ্ট্য-ভিত্তিক মডেল উভয় চলচ্চিত্রের আইডি এবং চলচ্চিত্রের জেনার আইডিগুলিকে ইনপুট হিসাবে গ্রহণ করে। নিম্নলিখিত ইনপুট এবং আউটপুট উদাহরণ সন্ধান করুন।

ইনপুটস

  • প্রসঙ্গে মুভি আইডি:

    • সিংহ কিং (আইডি: 362)
    • খেলনা গল্প (আইডি: 1)
    • (এবং আরও)
  • প্রসঙ্গের চলচ্চিত্রের জেনার আইডি:

    • অ্যানিমেশন (আইডি: 15)
    • শিশুদের (আইডি: 9)
    • সংগীত (আইডি: 13)
    • অ্যানিমেশন (আইডি: 15)
    • শিশুদের (আইডি: 9)
    • কৌতুক (আইডি: 2)
    • (এবং আরও)

ফলাফল:

  • প্রস্তাবিত চলচ্চিত্র আইডি:
    • খেলনা গল্প 2 (আইডি: 3114)
    • (এবং আরও)

পারফরম্যান্স মানদণ্ড

পারফরম্যান্স বেঞ্চমার্ক নম্বরগুলি এখানে বর্ণিত সরঞ্জামটির সাহায্যে উত্পন্ন হয়।

ণশড মডেল আকার যন্ত্র সিপিইউ
প্রস্তাবনা (ইনপুট হিসাবে মুভি আইডি) 0.52 এমবি পিক্সেল 3 0.09ms *
পিক্সেল 4 0.05 মিমি *
প্রস্তাবনা (সিনেমার আইডি এবং ইনপুট হিসাবে মুভি জেনার) 1.3 এমবি পিক্সেল 3 0.13ms *
পিক্সেল 4 0.06 মিমি *

* 4 টি থ্রেড ব্যবহৃত হয়েছে।

আপনার প্রশিক্ষণ ডেটা ব্যবহার করুন

প্রশিক্ষিত মডেল ছাড়াও, আমরা আপনার নিজস্ব ডেটা দিয়ে মডেলগুলি প্রশিক্ষণের জন্য গিটহাবের একটি ওপেন সোর্সযুক্ত টুলকিট সরবরাহ করি। কীভাবে টুলকিট ব্যবহার করবেন এবং নিজের মোবাইল অ্যাপ্লিকেশনগুলিতে প্রশিক্ষণপ্রাপ্ত মডেল স্থাপন করতে শিখতে আপনি এই টিউটোরিয়ালটি অনুসরণ করতে পারেন।

আপনার নিজস্ব ডেটাসেট ব্যবহার করে একটি সুপারিশ মডেলকে প্রশিক্ষণের জন্য এখানে ব্যবহৃত একই কৌশল প্রয়োগ করতে দয়া করে এই টিউটোরিয়ালটি অনুসরণ করুন।

আপনার ডেটা দিয়ে মডেল কাস্টমাইজেশনের জন্য টিপস

এই ডেমো অ্যাপ্লিকেশনটিতে প্রিগ্রেইন মডেলটি মুভিলেন্স ডেটাসেটের সাথে প্রশিক্ষিত, আপনি নিজের ডেটা, যেমন ভোকাব আকার, এম্বেডিং ডিমেস এবং ইনপুট প্রসঙ্গের দৈর্ঘ্যের উপর ভিত্তি করে মডেল কনফিগারেশনটি পরিবর্তন করতে চাইতে পারেন। এখানে কয়েকটি টিপস দেওয়া হল:

  • ইনপুট প্রসঙ্গে দৈর্ঘ্য: সেরা ইনপুট প্রসঙ্গের দৈর্ঘ্য ডেটাসেটের সাথে পরিবর্তিত হয়। আমরা দীর্ঘমেয়াদী স্বার্থের তুলনায় স্বল্প-মেয়াদী প্রসঙ্গের সাথে লেবেল ইভেন্টগুলির কতটা সম্পর্কযুক্ত তার ভিত্তিতে ইনপুট প্রসঙ্গের দৈর্ঘ্য নির্বাচন করার পরামর্শ দিই।

  • এনকোডার ধরণের নির্বাচন: আমরা ইনপুট প্রসঙ্গের দৈর্ঘ্যের ভিত্তিতে এনকোডার প্রকার নির্বাচন করার পরামর্শ দিই। ব্যাগ-অফ-শব্দের এনকোডার সংক্ষিপ্ত ইনপুট প্রসঙ্গের দৈর্ঘ্যের (যেমন <10), সিএনএন এবং আরএনএন এনকোডারগুলি দীর্ঘ ইনপুট প্রসঙ্গের দৈর্ঘ্যের জন্য আরও সংক্ষিপ্তকরণের ক্ষমতা নিয়ে আসে।

  • আইটেমগুলি বা ব্যবহারকারীর ক্রিয়াকলাপগুলি উপস্থাপন করতে অন্তর্নিহিত বৈশিষ্ট্যগুলি ব্যবহার করা মডেলের কার্যকারিতা উন্নত করতে পারে, নতুন করে আইটেমগুলিকে আরও ভালভাবে সংযুক্ত করতে পারে, সম্ভবত স্কেল এম্বেডিং স্পেসের নিচে মেমরির ব্যবহার এবং ডিভাইসটিতে বন্ধুত্ব হ্রাস করে।