เข้าร่วม Women in ML Symposium ในวันที่ 7 ธันวาคม ลงทะเบียนตอนนี้

ภาพรวมการจัดอันดับ TensorFlow ภาพรวมการจัดอันดับ TensorFlow

จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ

ไลบรารี TensorFlow Ranking ช่วยให้คุณสร้าง การเรียนรู้ที่ปรับขนาดได้เพื่อจัดอันดับ โมเดลการเรียนรู้ของเครื่องโดยใช้วิธีการและเทคนิคที่เป็นที่ยอมรับจากการวิจัยล่าสุด รูปแบบการจัดอันดับใช้รายการของรายการที่คล้ายคลึงกัน เช่น หน้าเว็บ และสร้างรายการที่เหมาะสมที่สุดสำหรับรายการเหล่านั้น เช่น เกี่ยวข้องกับหน้าที่เกี่ยวข้องน้อยที่สุดมากที่สุด การเรียนรู้เพื่อจัดอันดับโมเดลมีแอปพลิเคชันในการค้นหา การตอบคำถาม ระบบผู้แนะนำ และระบบการสนทนา คุณสามารถใช้ไลบรารีนี้เพื่อเร่งการสร้างโมเดลการจัดอันดับสำหรับแอปพลิเคชันของคุณโดยใช้ Keras API ไลบรารีอันดับยังมียูทิลิตี้เวิร์กโฟลว์เพื่อให้ง่ายต่อการปรับขนาดการใช้งานโมเดลของคุณเพื่อทำงานกับชุดข้อมูลขนาดใหญ่อย่างมีประสิทธิภาพโดยใช้กลยุทธ์การประมวลผลแบบกระจาย

ภาพรวมนี้ให้ข้อมูลสรุปโดยย่อของการพัฒนาการเรียนรู้เพื่อจัดอันดับโมเดลด้วยไลบรารีนี้ แนะนำเทคนิคขั้นสูงบางอย่างที่ได้รับการสนับสนุนโดยไลบรารี และอภิปรายเกี่ยวกับยูทิลิตี้เวิร์กโฟลว์ที่มีให้เพื่อรองรับการประมวลผลแบบกระจายสำหรับแอปพลิเคชันการจัดอันดับ

การพัฒนาการเรียนรู้เพื่อจัดอันดับโมเดล

โมเดลการสร้างด้วยไลบรารี TensorFlow Ranking ทำตามขั้นตอนทั่วไปเหล่านี้:

  1. ระบุฟังก์ชันการให้คะแนนโดยใช้เลเยอร์ Keras ( tf.keras.layers )
  2. กำหนดตัวชี้วัดที่คุณต้องการใช้สำหรับการประเมิน เช่น tfr.keras.metrics.NDCGMetric
  3. ระบุฟังก์ชันการสูญเสีย เช่น tfr.keras.losses.SoftmaxLoss
  4. รวบรวมโมเดลด้วย tf.keras.Model.compile() และฝึกฝนด้วย data ของคุณ

บท แนะนำภาพยนตร์แนะนำ จะแนะนำคุณเกี่ยวกับพื้นฐานของการสร้างการเรียนรู้เพื่อจัดอันดับโมเดลด้วยไลบรารีนี้ ดูส่วน การสนับสนุนการจัดอันดับแบบกระจาย สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการสร้างแบบจำลองการจัดอันดับขนาดใหญ่

เทคนิคการจัดอันดับขั้นสูง

ห้องสมุดการจัดอันดับ TensorFlow ให้การสนับสนุนการใช้เทคนิคการจัดอันดับขั้นสูงซึ่งวิจัยและใช้งานโดยนักวิจัยและวิศวกรของ Google ส่วนต่อไปนี้ให้ภาพรวมของเทคนิคเหล่านี้บางส่วนและวิธีเริ่มต้นใช้งานในแอปพลิเคชันของคุณ

BERT รายการการป้อนข้อมูลการสั่งซื้อ

ไลบรารีการจัดอันดับมีการนำ TFR-BERT ไปใช้ ซึ่งเป็นสถาปัตยกรรมการให้คะแนนที่จับคู่ BERT กับการสร้างแบบจำลอง LTR เพื่อเพิ่มประสิทธิภาพการเรียงลำดับของอินพุตรายการ เป็นตัวอย่างการประยุกต์ใช้แนวทางนี้ ให้พิจารณาคิวรีและรายการเอกสาร n รายการที่คุณต้องการจัดอันดับตามการสืบค้นนี้ แทนที่จะเรียนรู้การเป็นตัวแทนของ BERT ที่ทำคะแนนอย่างอิสระในคู่ <query, document> โมเดล LTR จะใช้ การสูญเสียอันดับ เพื่อร่วมกันเรียนรู้การเป็นตัวแทนของ BERT ที่เพิ่มประโยชน์ของรายการจัดอันดับทั้งหมดที่เกี่ยวข้องกับป้ายกำกับความจริง รูปต่อไปนี้แสดงเทคนิคนี้:

แผนภาพ BERT อันดับ TensorFlow
รูปที่ 1 : แผนภาพสถาปัตยกรรม BERT การจัดอันดับ TensorFlow แสดงโมเดล LTR ร่วมกันในรายการเอกสาร n ฉบับโดยใช้การแสดง BERT ของคู่ <query,document> แต่ละรายการ

วิธีการนี้จะทำให้รายการเอกสารเรียบเรียงเพื่อจัดอันดับในการตอบสนองต่อการสืบค้นลงในรายการของทูเพิล <query, document> ทูเพิลเหล่านี้จะถูกป้อนเข้าสู่โมเดลภาษาที่ฝึกล่วงหน้าของ BERT ผลลัพธ์ของ BERT ที่รวบรวมไว้สำหรับรายการเอกสารทั้งหมดจะถูกปรับร่วมกันโดยหนึ่งใน การสูญเสียการจัดอันดับ เฉพาะที่มีอยู่ในการจัดอันดับ TensorFlow

สถาปัตยกรรมนี้สามารถให้การปรับปรุงที่สำคัญในประสิทธิภาพของแบบจำลองภาษาที่ฝึกไว้ล่วงหน้า ทำให้เกิด ประสิทธิภาพที่ล้ำสมัยสำหรับงานการจัดอันดับที่ได้รับความนิยมหลายงาน โดยเฉพาะอย่างยิ่งเมื่อมีการรวมแบบจำลองภาษาที่ฝึกฝนไว้ล่วงหน้าหลายแบบเข้าด้วยกัน สำหรับข้อมูลเพิ่มเติมเกี่ยวกับเทคนิคนี้ โปรดดู งานวิจัย ที่เกี่ยวข้อง คุณสามารถเริ่มต้นใช้งานอย่างง่ายใน โค้ดตัวอย่าง การจัดอันดับ TensorFlow

แบบจำลองการเติมทั่วไปของการจัดอันดับประสาท (GAM)

สำหรับระบบการจัดอันดับบางระบบ เช่น การประเมินสิทธิ์ในการขอสินเชื่อ การกำหนดเป้าหมายโฆษณา หรือคำแนะนำสำหรับการรักษาพยาบาล ความโปร่งใสและความสามารถในการอธิบายถือเป็นข้อพิจารณาที่สำคัญ การใช้ แบบจำลองสารเติมแต่งทั่วไป (GAM) ที่มีปัจจัยการถ่วงน้ำหนักที่เข้าใจกันเป็นอย่างดีสามารถช่วยให้รูปแบบการจัดอันดับของคุณอธิบายและตีความได้มากขึ้น

GAM ได้รับการศึกษาอย่างกว้างขวางเกี่ยวกับงานการถดถอยและการจัดหมวดหมู่ แต่ยังไม่ชัดเจนว่าจะนำไปใช้กับแอปพลิเคชันการจัดอันดับอย่างไร ตัวอย่างเช่น ในขณะที่สามารถใช้ GAM เพื่อสร้างแบบจำลองแต่ละรายการในรายการ แต่การสร้างแบบจำลองทั้งการโต้ตอบของรายการและบริบทที่มีการจัดอันดับรายการเหล่านี้เป็นปัญหาที่ท้าทายกว่า การจัดอันดับ TensorFlow ให้การนำ GAM การจัดอันดับประสาท ไปใช้ ซึ่งเป็นส่วนขยายของแบบจำลองสารเติมแต่งทั่วไปที่ออกแบบมาสำหรับปัญหาการจัดอันดับ การนำ GAM ไปใช้ จัดอันดับ TensorFlow ช่วยให้คุณเพิ่มการถ่วงน้ำหนักเฉพาะให้กับคุณลักษณะของโมเดลของคุณได้

ภาพประกอบต่อไปนี้ของระบบการจัดอันดับโรงแรมใช้ความเกี่ยวข้อง ราคา และระยะทางเป็นคุณลักษณะการจัดอันดับหลัก โมเดลนี้ใช้เทคนิค GAM เพื่อชั่งน้ำหนักมิติข้อมูลเหล่านี้ให้แตกต่างออกไป โดยขึ้นอยู่กับบริบทอุปกรณ์ของผู้ใช้ ตัวอย่างเช่น หากข้อความค้นหามาจากโทรศัพท์ ระยะทางจะมีน้ำหนักมากขึ้น สมมติว่าผู้ใช้กำลังมองหาโรงแรมในบริเวณใกล้เคียง

Generalized Additive Model สำหรับตัวอย่างการจัดอันดับ
รูปที่ 2 : การใช้ GAM การจัดลำดับประสาทสำหรับการค้นหาในท้องถิ่น สำหรับคุณสมบัติอินพุตแต่ละรายการ เช่น ราคาหรือระยะทาง โมเดลย่อยจะสร้างคะแนนย่อยที่สามารถตรวจสอบได้ โดยให้ความโปร่งใส คุณสามารถใช้คุณลักษณะบริบท เช่น ประเภทอุปกรณ์ของผู้ใช้เพื่อกำหนดน้ำหนักของคะแนนรุ่นย่อยได้

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการใช้ GAM กับโมเดลการจัดอันดับ โปรดดู งานวิจัย ที่เกี่ยวข้อง คุณสามารถเริ่มต้นใช้งานตัวอย่างเทคนิคนี้ได้ใน โค้ดตัวอย่าง การจัดอันดับ TensorFlow

รองรับการจัดอันดับแบบกระจาย

การจัดอันดับ TensorFlow ได้รับการออกแบบสำหรับการสร้างระบบการจัดอันดับขนาดใหญ่ตั้งแต่ต้นจนจบ: รวมถึงการประมวลผลข้อมูล การสร้างแบบจำลอง การประเมิน และการปรับใช้การผลิต สามารถจัดการกับคุณลักษณะที่มีความหนาแน่นและกระจัดกระจายต่างกัน ขยายจุดข้อมูลได้มากถึงล้านจุด และได้รับการออกแบบมาเพื่อรองรับ การฝึกอบรมแบบกระจาย สำหรับแอปพลิเคชันการจัดอันดับขนาดใหญ่

ไดอะแกรมของคลาส TensorFlow Ranking
รูปที่ 3 : ไดอะแกรมของคลาส TensorFlow Ranking สำหรับรองรับการประมวลผลแบบกระจาย สามารถปรับแต่งโมดูลสีเขียวสำหรับรูปแบบการจัดอันดับของคุณได้

ไลบรารีมีสถาปัตยกรรมไปป์ไลน์การจัดอันดับที่ปรับให้เหมาะสม เพื่อหลีกเลี่ยงการเกิดโค้ดซ้ำซ้อน และสร้างโซลูชันแบบกระจายที่สามารถนำมาใช้ตั้งแต่การฝึกโมเดลการจัดอันดับของคุณไปจนถึงการให้บริการ ไปป์ไลน์การจัดอันดับรองรับ กลยุทธ์แบบกระจาย ส่วนใหญ่ของ TensorFlow รวมถึง MirroredStrategy , TPUStrategy , MultiWorkerMirroredStrategy และ ParameterServerStrategy ไปป์ไลน์การจัดอันดับสามารถส่งออกโมเดลการจัดอันดับที่ผ่านการฝึกอบรมในรูปแบบ tf.saved_model ซึ่งรองรับ ลายเซ็น อินพุตหลายรายการ .. นอกจากนี้ ไปป์ไลน์การจัดอันดับยังให้การเรียกกลับที่มีประโยชน์ รวมถึงการรองรับการแสดงภาพข้อมูล TensorBoard และ BackupAndRestore เพื่อช่วยกู้คืนจากความล้มเหลวในระยะยาว การดำเนินการฝึกอบรม

ไลบรารีการจัดอันดับช่วยในการสร้างการใช้งานการฝึกอบรมแบบกระจายโดยจัดเตรียมชุดของคลาส tfr.keras.pipeline ซึ่งใช้ตัวสร้างแบบจำลอง ตัวสร้างข้อมูล และพารามิเตอร์ไฮเปอร์พารามิเตอร์เป็นอินพุต คลาส tfr.keras.ModelBuilder แบบ tfr.keras.ModelBuilder ช่วยให้คุณสร้างโมเดลสำหรับการประมวลผลแบบกระจาย และทำงานกับคลาส InputCreator, Preprocessor และ Scorer ที่ขยายได้:

คลาสไปป์ไลน์ TensorFlow Ranking ยังทำงานร่วมกับ DatasetBuilder เพื่อตั้งค่าข้อมูลการฝึก ซึ่งสามารถรวมไฮเปอร์พารามิเตอร์ สุดท้าย ไปป์ไลน์เองสามารถรวมชุดของไฮเปอร์พารามิเตอร์เป็นอ็อบเจ็กต์ PipelineHparams

เริ่มต้นด้วยการสร้างแบบจำลองการจัดอันดับแบบกระจายโดยใช้ บทแนะนำการจัด อันดับแบบกระจาย

,

ไลบรารี TensorFlow Ranking ช่วยให้คุณสร้าง การเรียนรู้ที่ปรับขนาดได้เพื่อจัดอันดับ โมเดลการเรียนรู้ของเครื่องโดยใช้วิธีการและเทคนิคที่เป็นที่ยอมรับจากการวิจัยล่าสุด รูปแบบการจัดอันดับใช้รายการของรายการที่คล้ายคลึงกัน เช่น หน้าเว็บ และสร้างรายการที่เหมาะสมที่สุดสำหรับรายการเหล่านั้น เช่น เกี่ยวข้องกับหน้าที่เกี่ยวข้องน้อยที่สุดมากที่สุด การเรียนรู้เพื่อจัดอันดับโมเดลมีแอปพลิเคชันในการค้นหา การตอบคำถาม ระบบผู้แนะนำ และระบบการสนทนา คุณสามารถใช้ไลบรารีนี้เพื่อเร่งการสร้างโมเดลการจัดอันดับสำหรับแอปพลิเคชันของคุณโดยใช้ Keras API ไลบรารีอันดับยังมียูทิลิตี้เวิร์กโฟลว์เพื่อให้ง่ายต่อการปรับขนาดการใช้งานโมเดลของคุณเพื่อทำงานกับชุดข้อมูลขนาดใหญ่อย่างมีประสิทธิภาพโดยใช้กลยุทธ์การประมวลผลแบบกระจาย

ภาพรวมนี้ให้ข้อมูลสรุปโดยย่อของการพัฒนาการเรียนรู้เพื่อจัดอันดับโมเดลด้วยไลบรารีนี้ แนะนำเทคนิคขั้นสูงบางอย่างที่ได้รับการสนับสนุนโดยไลบรารี และอภิปรายเกี่ยวกับยูทิลิตี้เวิร์กโฟลว์ที่มีให้เพื่อรองรับการประมวลผลแบบกระจายสำหรับแอปพลิเคชันการจัดอันดับ

การพัฒนาการเรียนรู้เพื่อจัดอันดับโมเดล

โมเดลการสร้างด้วยไลบรารี TensorFlow Ranking ทำตามขั้นตอนทั่วไปเหล่านี้:

  1. ระบุฟังก์ชันการให้คะแนนโดยใช้เลเยอร์ Keras ( tf.keras.layers )
  2. กำหนดตัวชี้วัดที่คุณต้องการใช้สำหรับการประเมิน เช่น tfr.keras.metrics.NDCGMetric
  3. ระบุฟังก์ชันการสูญเสีย เช่น tfr.keras.losses.SoftmaxLoss
  4. รวบรวมโมเดลด้วย tf.keras.Model.compile() และฝึกฝนด้วย data ของคุณ

บท แนะนำภาพยนตร์แนะนำ จะแนะนำคุณเกี่ยวกับพื้นฐานของการสร้างการเรียนรู้เพื่อจัดอันดับโมเดลด้วยไลบรารีนี้ ดูส่วน การสนับสนุนการจัดอันดับแบบกระจาย สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการสร้างแบบจำลองการจัดอันดับขนาดใหญ่

เทคนิคการจัดอันดับขั้นสูง

ห้องสมุดการจัดอันดับ TensorFlow ให้การสนับสนุนการใช้เทคนิคการจัดอันดับขั้นสูงซึ่งวิจัยและใช้งานโดยนักวิจัยและวิศวกรของ Google ส่วนต่อไปนี้ให้ภาพรวมของเทคนิคเหล่านี้บางส่วนและวิธีเริ่มต้นใช้งานในแอปพลิเคชันของคุณ

BERT รายการการป้อนข้อมูลการสั่งซื้อ

ไลบรารีการจัดอันดับมีการนำ TFR-BERT ไปใช้ ซึ่งเป็นสถาปัตยกรรมการให้คะแนนที่จับคู่ BERT กับการสร้างแบบจำลอง LTR เพื่อเพิ่มประสิทธิภาพการเรียงลำดับของอินพุตรายการ เป็นตัวอย่างการประยุกต์ใช้แนวทางนี้ ให้พิจารณาคิวรีและรายการเอกสาร n รายการที่คุณต้องการจัดอันดับตามการสืบค้นนี้ แทนที่จะเรียนรู้การเป็นตัวแทนของ BERT ที่ทำคะแนนอย่างอิสระในคู่ <query, document> โมเดล LTR จะใช้ การสูญเสียอันดับ เพื่อร่วมกันเรียนรู้การเป็นตัวแทนของ BERT ที่เพิ่มประโยชน์ของรายการจัดอันดับทั้งหมดที่เกี่ยวข้องกับป้ายกำกับความจริง รูปต่อไปนี้แสดงเทคนิคนี้:

แผนภาพ BERT อันดับ TensorFlow
รูปที่ 1 : แผนภาพสถาปัตยกรรม BERT การจัดอันดับ TensorFlow แสดงโมเดล LTR ร่วมกันในรายการเอกสาร n ฉบับโดยใช้การแสดง BERT ของคู่ <query,document> แต่ละรายการ

วิธีการนี้จะทำให้รายการเอกสารเรียบเรียงเพื่อจัดอันดับในการตอบสนองต่อการสืบค้นลงในรายการของทูเพิล <query, document> ทูเพิลเหล่านี้จะถูกป้อนเข้าสู่โมเดลภาษาที่ฝึกล่วงหน้าของ BERT ผลลัพธ์ของ BERT ที่รวบรวมไว้สำหรับรายการเอกสารทั้งหมดจะถูกปรับร่วมกันโดยหนึ่งใน การสูญเสียการจัดอันดับ เฉพาะที่มีอยู่ในการจัดอันดับ TensorFlow

สถาปัตยกรรมนี้สามารถให้การปรับปรุงที่สำคัญในประสิทธิภาพของแบบจำลองภาษาที่ฝึกไว้ล่วงหน้า ทำให้เกิด ประสิทธิภาพที่ล้ำสมัยสำหรับงานการจัดอันดับที่ได้รับความนิยมหลายงาน โดยเฉพาะอย่างยิ่งเมื่อมีการรวมแบบจำลองภาษาที่ฝึกฝนไว้ล่วงหน้าหลายแบบเข้าด้วยกัน สำหรับข้อมูลเพิ่มเติมเกี่ยวกับเทคนิคนี้ โปรดดู งานวิจัย ที่เกี่ยวข้อง คุณสามารถเริ่มต้นใช้งานอย่างง่ายใน โค้ดตัวอย่าง การจัดอันดับ TensorFlow

แบบจำลองการเติมทั่วไปของการจัดอันดับประสาท (GAM)

สำหรับระบบการจัดอันดับบางระบบ เช่น การประเมินสิทธิ์ในการขอสินเชื่อ การกำหนดเป้าหมายโฆษณา หรือคำแนะนำสำหรับการรักษาพยาบาล ความโปร่งใสและความสามารถในการอธิบายถือเป็นข้อพิจารณาที่สำคัญ การใช้ แบบจำลองสารเติมแต่งทั่วไป (GAM) ที่มีปัจจัยการถ่วงน้ำหนักที่เข้าใจกันเป็นอย่างดีสามารถช่วยให้รูปแบบการจัดอันดับของคุณอธิบายและตีความได้มากขึ้น

GAM ได้รับการศึกษาอย่างกว้างขวางเกี่ยวกับงานการถดถอยและการจัดหมวดหมู่ แต่ยังไม่ชัดเจนว่าจะนำไปใช้กับแอปพลิเคชันการจัดอันดับอย่างไร ตัวอย่างเช่น ในขณะที่สามารถใช้ GAM เพื่อสร้างแบบจำลองแต่ละรายการในรายการ แต่การสร้างแบบจำลองทั้งการโต้ตอบของรายการและบริบทที่มีการจัดอันดับรายการเหล่านี้เป็นปัญหาที่ท้าทายกว่า การจัดอันดับ TensorFlow ให้การนำ GAM การจัดอันดับประสาท ไปใช้ ซึ่งเป็นส่วนขยายของแบบจำลองสารเติมแต่งทั่วไปที่ออกแบบมาสำหรับปัญหาการจัดอันดับ การนำ GAM ไปใช้ จัดอันดับ TensorFlow ช่วยให้คุณเพิ่มการถ่วงน้ำหนักเฉพาะให้กับคุณลักษณะของโมเดลของคุณได้

ภาพประกอบต่อไปนี้ของระบบการจัดอันดับโรงแรมใช้ความเกี่ยวข้อง ราคา และระยะทางเป็นคุณลักษณะการจัดอันดับหลัก โมเดลนี้ใช้เทคนิค GAM เพื่อชั่งน้ำหนักมิติข้อมูลเหล่านี้ให้แตกต่างออกไป โดยขึ้นอยู่กับบริบทอุปกรณ์ของผู้ใช้ ตัวอย่างเช่น หากข้อความค้นหามาจากโทรศัพท์ ระยะทางจะมีน้ำหนักมากขึ้น สมมติว่าผู้ใช้กำลังมองหาโรงแรมในบริเวณใกล้เคียง

Generalized Additive Model สำหรับตัวอย่างการจัดอันดับ
รูปที่ 2 : การใช้ GAM การจัดลำดับประสาทสำหรับการค้นหาในท้องถิ่น สำหรับคุณสมบัติอินพุตแต่ละรายการ เช่น ราคาหรือระยะทาง โมเดลย่อยจะสร้างคะแนนย่อยที่สามารถตรวจสอบได้ โดยให้ความโปร่งใส คุณสามารถใช้คุณลักษณะบริบท เช่น ประเภทอุปกรณ์ของผู้ใช้เพื่อกำหนดน้ำหนักของคะแนนรุ่นย่อยได้

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการใช้ GAM กับโมเดลการจัดอันดับ โปรดดู งานวิจัย ที่เกี่ยวข้อง คุณสามารถเริ่มต้นใช้งานตัวอย่างเทคนิคนี้ได้ใน โค้ดตัวอย่าง การจัดอันดับ TensorFlow

รองรับการจัดอันดับแบบกระจาย

การจัดอันดับ TensorFlow ได้รับการออกแบบสำหรับการสร้างระบบการจัดอันดับขนาดใหญ่ตั้งแต่ต้นจนจบ: รวมถึงการประมวลผลข้อมูล การสร้างแบบจำลอง การประเมิน และการปรับใช้การผลิต สามารถจัดการกับคุณลักษณะที่มีความหนาแน่นและกระจัดกระจายต่างกัน ขยายจุดข้อมูลได้มากถึงล้านจุด และได้รับการออกแบบมาเพื่อรองรับ การฝึกอบรมแบบกระจาย สำหรับแอปพลิเคชันการจัดอันดับขนาดใหญ่

ไดอะแกรมของคลาส TensorFlow Ranking
รูปที่ 3 : ไดอะแกรมของคลาส TensorFlow Ranking สำหรับรองรับการประมวลผลแบบกระจาย สามารถปรับแต่งโมดูลสีเขียวสำหรับรูปแบบการจัดอันดับของคุณได้

ไลบรารีมีสถาปัตยกรรมไปป์ไลน์การจัดอันดับที่ปรับให้เหมาะสม เพื่อหลีกเลี่ยงการเกิดโค้ดซ้ำซ้อน และสร้างโซลูชันแบบกระจายที่สามารถนำมาใช้ตั้งแต่การฝึกโมเดลการจัดอันดับของคุณไปจนถึงการให้บริการ ไปป์ไลน์การจัดอันดับรองรับ กลยุทธ์แบบกระจาย ส่วนใหญ่ของ TensorFlow รวมถึง MirroredStrategy , TPUStrategy , MultiWorkerMirroredStrategy และ ParameterServerStrategy ไปป์ไลน์การจัดอันดับสามารถส่งออกโมเดลการจัดอันดับที่ผ่านการฝึกอบรมในรูปแบบ tf.saved_model ซึ่งรองรับ ลายเซ็น อินพุตหลายรายการ .. นอกจากนี้ ไปป์ไลน์การจัดอันดับยังให้การเรียกกลับที่มีประโยชน์ รวมถึงการรองรับการแสดงภาพข้อมูล TensorBoard และ BackupAndRestore เพื่อช่วยกู้คืนจากความล้มเหลวในระยะยาว การดำเนินการฝึกอบรม

ไลบรารีการจัดอันดับช่วยในการสร้างการใช้งานการฝึกอบรมแบบกระจายโดยจัดเตรียมชุดของคลาส tfr.keras.pipeline ซึ่งใช้ตัวสร้างแบบจำลอง ตัวสร้างข้อมูล และพารามิเตอร์ไฮเปอร์พารามิเตอร์เป็นอินพุต คลาส tfr.keras.ModelBuilder แบบ tfr.keras.ModelBuilder ช่วยให้คุณสร้างโมเดลสำหรับการประมวลผลแบบกระจาย และทำงานกับคลาส InputCreator, Preprocessor และ Scorer ที่ขยายได้:

คลาสไปป์ไลน์ TensorFlow Ranking ยังทำงานร่วมกับ DatasetBuilder เพื่อตั้งค่าข้อมูลการฝึก ซึ่งสามารถรวมไฮเปอร์พารามิเตอร์ สุดท้าย ไปป์ไลน์เองสามารถรวมชุดของไฮเปอร์พารามิเตอร์เป็นอ็อบเจ็กต์ PipelineHparams

เริ่มต้นด้วยการสร้างแบบจำลองการจัดอันดับแบบกระจายโดยใช้ บทแนะนำการจัด อันดับแบบกระจาย