معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A Lighting Pytorch Framework for Recommendation System, Easy-to-use and Easy-to-extend.

ویژگی	مقدار
سیستم عامل	-
نام فایل	byterec-0.0.1
نام	byterec
نسخه کتابخانه	0.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Mincai Lai
ایمیل نویسنده	757387961@qq.com
آدرس صفحه اصلی	https://github.com/morningsky/Torch-RecHub
آدرس اینترنتی	https://pypi.org/project/byterec/
مجوز	-

# Torch-RecHub A Lighting Pytorch Framework for Recommendation Models, Easy-to-use and Easy-to-extend. ## 安装 ```python pip install torch-rechub ``` ## 主要特性 - scikit-learn风格易用的API（fit、predict），即插即用 - 训练过程与模型定义解耦，易拓展，可针对不同类型的模型设置不同的训练机制 - 使用Pytorch原生Dataset、DataLoader，易修改，自定义数据 - 高度模块化，支持常见Layer（MLP、FM、FFM、target-attention、self-attention、transformer等），容易调用组装成新模型 - 支持常见排序模型（WideDeep、DeepFM、DIN、DCN、xDeepFM等） - [ ] 支持常见召回模型（DSSM、YoutubeDNN、MIND、SARSRec等） - 丰富的多任务学习支持 - SharedBottom、ESMM、MMOE、PLE、AITM等模型 - GradNorm、UWL等动态loss加权机制 - 聚焦更生态化的推荐场景 - [ ] 冷启动 - [ ] 延迟反馈 - [ ] 去偏 - [ ] 支持丰富的训练机制（对比学习、蒸馏学习等） - [ ] 第三方高性能开源Trainer支持（Pytorch Lighting等） - [ ] 更多模型正在开发中 ## 快速使用 ```python from torch_rechub.models import WideDeep, DeepFM, DIN from torch_rechub.trainers import CTRTrainer from torch_rechub.basic.utils import DataGenerator dg = DataGenerator(x, y) train_dataloader, val_dataloader, test_dataloader = dg.generate_dataloader() model = DeepFM(deep_features=deep_features, fm_features=fm_features, mlp_params={"dims": [256, 128], "dropout": 0.2, "activation": "relu"}) ctr_trainer = CTRTrainer(model) ctr_trainer.fit(train_dataloader, val_dataloader) auc = ctr_trainer.evaluate(ctr_trainer.model, test_dataloader) ``` > **Note:** > > 所有模型均在大多数论文提及的多个知名公开数据集中测试，达到或者接近论文性能。 > > 使用案例：[Examples](./examples) > > 每个数据集将会提供 > > - 一个使用脚本，包含样本生成、模型训练与测试，并提供一套测评所用参数。 > - 一个预处理脚本，将原始数据进行预处理，转化成csv。 > - 数据格式参考文件（100条）。 > - 全量数据，统一的csv文件，提供高速网盘下载链接和原始数据链接。 [初步规划TODO清单](https://user-images.githubusercontent.com/11856746/167436396-f9c5de5b-d341-4697-8b91-884d4ae552be.png)

نحوه نصب

نصب پکیج whl byterec-0.0.1:

pip install byterec-0.0.1.whl

نصب پکیج tar.gz byterec-0.0.1:

pip install byterec-0.0.1.tar.gz