Facebook 开源深度学习推荐模型 DLRM
Facebook 宣布推出深度学习推荐模型(DLRM)的开源版本,这是一种最先进的个性化推荐 AI 模型,并且可用于生产环境中。该模型的实现可用于 Facebook 的 PyTorch、Facebook 的分布式学习框架 Caffe2 和 Glow C++。
推荐引擎在很大程度上决定着人们每天看到的内容,无论是 Facebook 等社交媒体网站、亚马逊等电子商务网站的内容,还是在 Xbox 首页的推荐游戏。就在上个月,亚马逊也将 AI 应用于 AWS 上的个性化购物推荐系统。
5 月底,20 多位 Facebook AI 研究人员在 arXiv 上发表了一篇论文,解释了 DLRM 模型如何使用映射分类数据的嵌入表进行表达,其中大部分计算由预测函数多层感知器(MLP)执行。论文详细介绍了 DLRM 模型,并与现有推荐模型进行比较,以充分展示其特性。
Facebook 人工智能研究(FAIR)已经将其大量工作开源,免费提供 DLRM 可以帮助更广泛的 AI 社区解决推荐引擎带来的挑战,比如利用神经网络将分类数据与某些更高级别的属性相关联。
DLRM 的制造商建议用该模型对推荐引擎的速度和准确性性能进行基准测试。用于实验和性能评估的 DLRM 基准测试是用 Python 编写的,支持随机和合成输入。
Facebook 研究科学家 Dheevatsa Mudigere 和 Maxim Naumov 在一篇博客文章中表示,将在未来公开分享优化 DLRM 系统的性能结果。
最近几周由 Facebook 开源的其他 AI 模型或框架还包括 PyRobot,与 PyTorch 一起工作的机器人框架;以及 PyTorch Hub,一个工作流程和 API,旨在鼓励 AI 模型的再现性。还有 Ax 和 BoTorch,用于机器学习实验和贝叶斯模型优化的工具,于 5 月与 PyTorch 1.1 一起推出。
Facebook 的推荐工具在过去一直存在争议。去年,Keras 深度学习图书馆创建者 FrançoisChollet 在一篇帖子中称,“有良心的 AI 研究人员不应该在 Facebook 工作”,他提倡“不要使用 AI 作为操纵用户的工具;相反,将 AI 作为工具提供给用户,让他们拥有更多的自主权。”
消息来源:venturebeat
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
碎片周刊:如何变得更有创造力?
碎片周刊第5期 2019年6月29日,星期六 本周关键词:蔡格尼克效应、活在当下、建立影响力、变得乐观、创新的流程、富人理财、投影片框架。 在公众号内阅读时,通过底部的“阅读原文”,可以访问外部链接。 标题太低调,内容很奢华。 ——一位广州的朋友评论碎片周刊 6/28日:蔡格尼克效应(Zeigarnik Effect) 由前苏联心理学家蔡格尼克,在20世纪20年代提出: 相比已经完成的体验,人对未完成或被中断的体验更加印象深刻。 这个与记忆相关的心理倾向,可以解释许多现象: 人际关系之中未解决的矛盾,总是卷土重来。 失恋后对前任念念不忘,或寻找与前任相似的恋人。 儿时物质与食物贫乏,长大后执着于基本需求。 对错过的机会耿耿于怀,总是认为“本可以”。 APP内的进度条,可以提高用户留存率。 我的对策: 拥抱不确定性,认清客观现实,接纳某些事情的不圆满和没有答案。 不忽视内心的渴望,努力去完成某些能力范围内的体验,珍惜身边的人。 还是那句话:改变可以改变的,接受不能改变的,有智慧区分两者。 6/27日:10个活在当下的技巧 接受现实,不再抗拒与抱怨,例如遭遇堵车。 暂停下来,发现周围的小事...
- 下一篇
每日一博 | 谈谈机器学习模型的可解释性
随着AI和机器学习的发展,越来越多的决策会交给自动化的机器学习算法来做。但是当我们把一些非常重要的决定交给机器的时候,我们真的放心么?当波音飞机忽略驾驶员的指令,决定义无反顾的冲向大地;当银行系统莫名其妙否决你的贷款申请的时候;当自动化敌我识别武器系统决定向无辜平民开火的时候;人类的内心应该是一万个草泥马飞过,大声的质问,“为什么?” 机器学习算法可以看成是如上图所示的黑盒子模型,训练数据流入黑盒子,训练出一个函数(这个函数也可以称之为模型),输入新的数据到该函数得出预测结果。关于模型的可解释性,就是要回答为什么的问题,如何解释该函数,它是如何预测的? 可解释的模型 在机器学习的众多算法中,有的模型很难解释,例如深度神经网络。深度神经网络可以拟合高度复杂的数据,拥有海量的参数,但是如何解释这些非常困难。但是还是有相当一部分算法是可以比较容易的解释的。 例如线性回归: 线性回归目标Y和特征X之间的关系如上图的公式所示。那么对于线性回归模型的解释就很简单,对于一个特定的特征Xi,每增加一个单位,目标Y增加βi。 线性回归简单易用,也能保证找到最优解。但是毕竟不是所有的问题都是线性的。 另外...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
-
Docker使用Oracle官方镜像安装(12C,18C,19C)
- Springboot2将连接池hikari替换为druid,体验最强大的数据库连接池
- CentOS8编译安装MySQL8.0.19
- Docker快速安装Oracle11G,搭建oracle11g学习环境
- SpringBoot2配置默认Tomcat设置,开启更多高级功能
- MySQL8.0.19开启GTID主从同步CentOS8
- CentOS7,8上快速安装Gitea,搭建Git服务器
- Jdk安装(Linux,MacOS,Windows),包含三大操作系统的最全安装
- SpringBoot2编写第一个Controller,响应你的http请求并返回结果
推荐阅读
最新文章
- Linux系统CentOS6、CentOS7手动修改IP地址
- CentOS6,7,8上安装Nginx,支持https2.0的开启
- Springboot2将连接池hikari替换为druid,体验最强大的数据库连接池
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- CentOS6,CentOS7官方镜像安装Oracle11G
- SpringBoot2整合Redis,开启缓存,提高访问速度
- Jdk安装(Linux,MacOS,Windows),包含三大操作系统的最全安装
- SpringBoot2配置默认Tomcat设置,开启更多高级功能
- SpringBoot2整合MyBatis,连接MySql数据库做增删改查操作
- Hadoop3单机部署,实现最简伪集群