Op Deep Learning gebaseerde aanbevelingssystemen

Belangrijk

Deze functie bevindt zich in de bètaversie. Werkruimtebeheerders kunnen de toegang tot deze functie beheren vanaf de pagina Previews . Zie Azure Databricks-previews beheren.

Deze pagina bevat notebookvoorbeelden voor het bouwen van aanbevelingssystemen met serverloze GPU-rekenkracht. Deze voorbeelden laten zien hoe u efficiënte aanbevelingsmodellen maakt met behulp van moderne deep learning-benaderingen.

Handleiding	Beschrijving
Aanbevelingsmodel met twee torens	Meer informatie over het converteren van aanbevelingsgegevens naar MDS-indeling (Mosaic Data Shard) en deze gegevens vervolgens gebruiken om een aanbevelingsmodel met twee torens te maken.
Insluitingsmodellen verfijnen met llm-foundry	Verfijn een BERT-stijl embedding model op serverloze GPU-infrastructuur met contrastive learning, gebruikmakend van het llm-foundry framework en Composer trainer.

Aanbevelingsmodel met twee torens

Deze notebooks laten zien hoe u uw aanbevelingsgegevens converteert naar MDS-indeling (Mosaic Data Shard) en deze gegevens vervolgens gebruikt om een aanbevelingsmodel met twee torens te maken. Deze aanpak is met name effectief voor grootschalige aanbevelingssystemen.

Gegevensvoorbereiding: gegevensset van aanbevelingsmodel converteren naar MDS-indeling

Converteer eerst uw aanbevelingsgegevensset naar de MDS-indeling voor efficiënt laden van gegevens:

Gegevens converteren

Notebook krijgen

Modeltraining: Aanbevelingsmodel met twee torens met PyTorch Lightning

Train het aanbevelingsmodel met twee torens met behulp van de voorbereide dataset en de PyTorch Lightning Trainer API op meerdere GPU-knooppunten (A10 of H100 GPU).

PyTorch-aanbeveling

Notebook krijgen