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)
একটি নোটবুকে চালান

টেনসরফ্লো র‍্যাঙ্কিং হল একটি ওপেন সোর্স লাইব্রেরি যা স্কেলযোগ্য, স্নায়ুবিদ্যার জন্য র‍্যাঙ্ক (LTR) মডেল তৈরি করার জন্য। র‌্যাঙ্কিং মডেলগুলি সাধারণত অনুসন্ধান এবং সুপারিশ সিস্টেমে ব্যবহৃত হয়, তবে মেশিন অনুবাদ , ডায়ালগ সিস্টেম ই-কমার্স , SAT সমাধানকারী , স্মার্ট সিটি প্ল্যানিং এবং এমনকি কম্পিউটেশনাল বায়োলজি সহ বিভিন্ন ক্ষেত্রে সফলভাবে প্রয়োগ করা হয়েছে।

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

এই লাইব্রেরি LTR মডেলের জন্য স্ট্যান্ডার্ড পয়েন্টওয়াইজ, পেয়ারওয়াইজ এবং লিস্টওয়াইজ লস ফাংশন সমর্থন করে। এটি র‍্যাঙ্কিং মেট্রিকগুলির একটি বিস্তৃত পরিসরকে সমর্থন করে, যার মধ্যে রয়েছে গড় পারস্পরিক র‍্যাঙ্ক (MRR) এবং নরমালাইজড ডিসকাউন্টেড কিউমুলেটিভ গেইন (NDCG), যাতে আপনি আপনার র‍্যাঙ্কিং টাস্কের জন্য এই পদ্ধতিগুলিকে মূল্যায়ন এবং তুলনা করতে পারেন৷ র‌্যাঙ্কিং লাইব্রেরি উন্নত র‌্যাঙ্কিং পদ্ধতির জন্য ফাংশনও প্রদান করে যা Google-এর মেশিন লার্নিং ইঞ্জিনিয়ারদের দ্বারা গবেষণা, পরীক্ষিত এবং তৈরি করা হয়।

টিউটোরিয়ালটি দেখে টেনসরফ্লো র‍্যাঙ্কিং লাইব্রেরি দিয়ে শুরু করুন। ওভারভিউ পড়ে লাইব্রেরির ক্ষমতা সম্পর্কে আরও জানুন GitHub- এ TensorFlow র‌্যাঙ্কিংয়ের সোর্স কোড দেখুন।