Remarque
L’accès à cette page requiert une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page requiert une autorisation. Vous pouvez essayer de modifier des répertoires.
Important
AI Runtime pour les tâches à nœud unique est disponible en préversion publique. L’API d’entraînement distribuée pour les charges de travail multi-GPU reste en version bêta.
Cette page fournit des exemples de carnets pour créer des systèmes de recommandation à l'aide de AI Runtime. Ces exemples montrent comment créer des modèles de recommandation efficaces à l’aide d’approches d’apprentissage profond modernes.
| Tutoriel | Description |
|---|---|
| Modèle de recommandation à deux tours | Découvrez comment convertir des données de recommandation en format MDS (Mosaïque Data Shard), puis utiliser ces données pour créer un modèle de recommandation à deux tours. |
Modèle de recommandation à deux tours
Ces notebooks illustrent comment convertir vos données de recommandation au format Mosaic Data Shard (MDS) et ensuite utiliser ces données pour créer un modèle de recommandation à deux tours. Cette approche est particulièrement efficace pour les systèmes de recommandation à grande échelle.
Préparation des données : convertir le jeu de données du modèle de recommandation au format MDS
Tout d’abord, convertissez votre jeu de données de recommandation au format MDS pour un chargement efficace des données :
Convertir des données
Obtenir un ordinateur portable
Entraînement du modèle : modèle de recommandation à deux colonnes à l’aide de PyTorch Lightning
Entraîner le modèle de recommandation à deux tours à l’aide du jeu de données préparé et de l’API PyTorch Lightning Trainer sur plusieurs nœuds GPU (GPU A10 ou H100).