1. 簡介 NCF是協同過濾在神經網絡上的實現——神經網絡協同過濾。由新加坡國立大學與2017年提出。 我們知道，在協同過濾的基礎上發展來的矩陣分解取得了巨大的成就，但是矩陣分解得到低維隱向量求內積是線性的，而神經網絡模型能帶來非線性的效果，非線性可以更好地捕捉用戶和物品空間的交互特征 ...

1. 簡介 本篇文章先簡單介紹論文思路，然后使用Tensoflow2.0、Keras API復現算法部分。包括： 自定義模型 自定義損失函數 自定義評價指標RMSE 就題目而言《AutoRec: Autoencoders Meet Collaborative ...

DeepCrossing是在AutoRec之后，微軟完整的將深度學習應用在推薦系統的模型。其應用場景是搜索推薦廣告中，解決了特征工程，稀疏向量稠密化，多層神經網路的優化擬合等問題。所使用的特征在論文中描述為兩個大類數值型（文中couting feature）和類別型。如下圖 對於數值型特征 ...

——Product-based Neural Network，PNN是一個基於神經網絡的推薦模型，主要的改進 ...

這里有三種方式保存模型： 　　 　　　　第一種：　　只保存網絡參數，適合自己了解網絡結構 　　　　第二種：　　保存整個網絡，可以完美進行恢復 　　　　第三個是保存格式。 第一種方式： 　　 　　實踐操作： 　　 第二種方式：（存入整個模型 ...

如果使用多GPU訓練模型，推薦使用內置fit方法，較為方便，僅需添加2行代碼。 在Colab筆記本中：修改->筆記本設置->硬件加速器 中選擇 GPU 注：以下代碼只能在Colab 上才能正確執行。 可通過以下colab鏈接測試效果《tf_多GPU》： https ...

深度學習模型一般由各種模型層組合而成。 tf.keras.layers內置了非常豐富的各種功能的模型層。例如， layers.Dense,layers.Flatten,layers.Input,layers.DenseFeature,layers.Dropout layers.Conv2D ...

深度學習的訓練過程常常非常耗時，一個模型訓練幾個小時是家常便飯，訓練幾天也是常有的事情，有時候甚至要訓練幾十天。 訓練過程的耗時主要來自於兩個部分，一部分來自數據准備，另一部分來自參數迭代。 當數據准備過程還是模型訓練時間的主要瓶頸時，我們可以使用更多進程來准備數據。 當參數迭代過程成為訓練 ...