如何在 TensorFlow 部署推薦系統:訓練和調校 Cloud ML Engine (二)

本文是多教程系列的第二部分,將展示如何透過 TensorFlowCloud ML Engine 部署機器學習 (ML) 推薦系統。在這個單元中,您將學習到:如何使用 GCP 中的 Cloud ML Engine 來訓練推薦系統,並調整其中的超參數。 繼續閱讀 “如何在 TensorFlow 部署推薦系統:訓練和調校 Cloud ML Engine (二)”

如何在 TensorFlow 部署推薦系統:建立模型 (一)

本文是系列教程中的第一部分,將向您展示如何在 Google Cloud Platform (GCP) 中使用 TensorFlowCloud ML Engine 來實踐機器學習 (ML) 的推薦系統。而這個部分會介紹如何在開發系統上安裝 TensorFlow 模型程式碼並在 MovieLens 的資料集上執行模型。

本教程的推薦系統使用加權交替最小平方 (WALS) 演算法,而 WALS 包含於 TensorFlow 程式庫中的 contrib.factorization package,採用大型矩陣因式分解對用戶和項目做評分。更多 WALS 相關的資訊,請參閱概述 繼續閱讀 “如何在 TensorFlow 部署推薦系統:建立模型 (一)”

如何在 TensorFlow 內建立推薦系統:總覽

本文的內容是由數個教程所組成的概述,此系列教程將向您展示如何在 Google Cloud Platform (GCP) 中使用 TensorFlowCloud ML Engine 實作推薦系統 (recommendation system)。

本文內容將涵蓋:

  • 概述以矩陣分解為基礎的推薦系統理論。
  • 描述如何使用加權交替最小平方法 (weighted alternating least squares – WALS) 來進行矩陣分解。
  • 提供系列教程概述,並提供在 GCP 上實作推薦系統的逐步指南。

繼續閱讀 “如何在 TensorFlow 內建立推薦系統:總覽”

機器學習與結構化數據 (3):部署 Web 應用程序

透過這篇文章,您可以透過運行在  App Engine 上的 Web 應用程式來使用 Prediction API,以進行線上預測。這將是機器學習與結構化數據系列文章的最後一篇,將接續系列二的訓練模型

架構

這篇文章將用到下圖中虛線內的元件:
繼續閱讀 “機器學習與結構化數據 (3):部署 Web 應用程序”

機器學習與結構化數據 (2-2):訓練模型

繼機器學習與結構化數據系列第一篇介紹了如何準備數據及分析之後,此篇文章將接續上一篇,介紹如何訓練模型。

定義輸入列

您必須為 Estimator API 定義 serving_input_fn 函數。此方法定義列以用作預測服務的 API 請求的輸入。輸入列通常與 CSV 文件中的輸入列相同,但在某些情況下,您希望接受與您在模型訓練過程中使用的格式不同的輸入數據。 繼續閱讀 “機器學習與結構化數據 (2-2):訓練模型”