在用PMML实现机器学习模型的跨平台上线中，我们讨论了使用PMML文件来实现跨平台模型上线的方法，这个方法当然也适用于tensorflow生成的模型，但是由于tensorflow模型往往较大，使用无法优化的PMML文件大多数时候很笨拙，因此本文我们专门讨论下tensorflow机器学习模型的跨平台上线的方法。一、tensorflow模型的跨平台上线的备选方案tensorflow模型的跨平台上线的备
转载
2024-04-26 18:53:40
19阅读
最近在学习FM模块，FM是一个值得学习的模块，可以从上层看到底层。上层就是FM的按扭操作和界面显示，从而调用到FM底层驱动来实现广播收听的功能。看看FM启动流程：如下图： 先进入FMRadio.java类，onCreate初始化一些数据，画出FM界面，启动fm在onStart()方法里启动FMRadioService.java (调用bindToService(this, osc)方法)
转载
2023-07-10 22:24:51
125阅读
机器学习模型需要数据来训练，但是通常需要对这些数据进行预处理，以便在训练模型时发挥作用。这种预处理（通常称为 “特征工程”）采用多种形式，例如：规范化和缩放数据，将分类值编码为数值，形成词汇表，以及连续数值的分级。在生产过程中利用机器学习时，为了确保在模型的离线培训期间应用的特征工程步骤与使用模型用于预测时应用的特征工程步骤保持相同，这往往就成为一项极具挑战性的任务。此外，放眼当今世界，机器学习模
一，FM算法：1，逻辑回归上面进行了交叉特征。算法复杂度优化从O(n^3)->O(k*n^2)->O(k*n)。2，本质：每个特征都有一个k维的向量，代表的是每个特征都有k个不可告人的信息。（FFM：面对不同的字段field都有k个不可告人的信息。）所以，得到了n*k的矩阵，每一行就是每一个特征的向量。3，原理推导：https://zhuanlan.zhihu.com/p/379632
转载
2023-07-21 23:50:37
259阅读
# 机器学习中的推荐模型 FM
在机器学习领域，推荐系统是一个非常重要的研究方向，它可以帮助我们在海量的数据中找到用户可能感兴趣的内容。在推荐系统中，FM（Factorization Machines）是一种常见的推荐模型，它在处理稀疏数据和特征组合上有很好的表现。
## FM模型介绍
FM模型最初由Steffen Rendle在2010年提出，它是一种基于矩阵分解的模型，可以有效地捕捉特
原创
2024-04-29 05:00:33
46阅读
FM模型想必大家都不陌生，在排序模型刚起步的年代，FM很好地解决了LR需要大规模人工特征交叉的痛点，引入任意特征的二阶特征组合，并通过向量内积求特征组合权重的方法大大提高了模型的泛化能力。但标准FM的缺陷也恰恰是只能做二阶特征交叉，所以与DNN结合可以帮助我们捕捉特征之间更复杂的非线性关系。实际上，强如DIN这类的深度学习模型，在实际业务场景中，往往也要结合LR等简单模型联合训练才能在线上拿到
转载
2021-03-06 11:29:51
1666阅读
2评论
FM（Factorization Machines）的理论与实践
原创
2021-08-04 09:55:16
247阅读
### FM模型机器学习实现流程
为了帮助你理解如何实现FM模型机器学习，我将按照以下步骤进行讲解：
1. 数据准备阶段；
2. 特征工程阶段；
3. 模型构建阶段；
4. 模型训练阶段；
5. 模型评估阶段。
下面我将依次介绍每个步骤需要做什么，并给出相应的代码示例。
#### 1. 数据准备阶段
在这个阶段，我们需要准备用于训练和测试的数据集，并对数据进行预处理。数据预处理的具体过程
原创
2023-09-07 18:35:04
119阅读
Simulink生成FMU第一步：首先搭建一个模型（MATLAB的工作路径应于此模型路径一致，根据所需建立接口数量，路径不可包含中文或者数值开头路径）第二步：对模型进行设置（固定步长，求解器4）固定步长一定要设置，否则导入的fmu运行会报错：0.001第三步：导出FMU协同仿真文件（默认保存位置是MATLAB当前工作路径，路径不可包含中文或者数值开头路径）Simulink导入fmu模型文件第一步：
转载
2023-07-21 22:14:18
839阅读
1.重点归纳1）FM和FFM模型凭借在数据量较大并且特征稀疏的情况下，仍然能够得到优秀的性能和效果，屡次在各大公司举办的CTR预估比赛中获得不错的战绩。2）FM旨在解决稀疏数据下的特征组合问题，使用矩阵分解的方法来求解参数，从而降低计算复杂度为线性。（1）模型：（2）损失函数回归问题：最小平方误差（least square error）二分类问题：hinge loss函数/ logit loss函
转载
2024-01-28 01:17:59
89阅读
前段时间实践tensorflow目标检测模型再训练，过程见博文tf2目标检测-训练自己的模型总结目标检测模型再训练过程，有以下几点需注意：1 训练集和测试集训练图片每张只包含一个目标，因此可用小尺寸图片，且统一训练图片大小，有助于加快训练过程。测试图片则用大图片，包含多个需检测目标，同时包括应排除的目标，检验模型训练成果。2 模型处理窗口和输入图片resize问题每个再训练模型有处理窗口，例如ss
转载
2024-04-24 16:05:34
72阅读
如果需要完整代码可以关注下方公众号，后台回复“代码”即可获取，阿光期待着您的光临~文章目录导库FM特征组合层定
原创
2023-01-26 18:24:27
276阅读
TensorFlow提供了一个非常简单的API来保存和还原一个神经网络模型。这个API就是tf.train.Saver类。以下代码给出了保存TesnsorFlow计算图的方法。import tensorflow as tf
#声明两个变量并计算他们的和
v1 = tf.Variable(tf.constant(1.0, shape = [1]), name = "v1")
v2 = tf.V
转载
2024-06-07 05:52:46
30阅读
tensorflow实现线性回归模型1.变量（1）变量的创建（2）变量的初始化（3）变量的作用域2.可视化学习Tensorboard（1）开启tensorboard（2）增加变量显示3.tensorflow实现线性回归实战（1）Tensorflow运算API（2）梯度下降API（3）实现线性回归4.模型加载和保存5.命令行参数 1.变量（1）变量的创建变量也是一种OP，是一种特殊的张量，能够进行
转载
2024-04-21 13:36:46
78阅读
cifar10训练数据集下载链接：https://pan.baidu.com/s/1Qlp2G5xlECM6dyvUivWnFg 提取码：s32t代码解析前置配置引入tensorflow库，和其他辅助库文件。安装方式为pip3 install tensorflow numpy pickle。详细过程不在这里描述。 在这里，训练和测试数据集文件放在该脚本的父文件夹中，因此按照实际情况来对CIFAR_
转载
2024-05-13 11:28:25
49阅读
本篇介绍函数包括：
tf.conv2d
tf.nn.relu
tf.nn.max_pool
tf.nn.droupout
tf.nn.sigmoid_cross_entropy_with_logits
tf.truncated_normal
tf.constant
tf.placeholder
tf.nn.bias_add
tf.reduce_mean
tf.squared_d
转载
2024-02-22 00:49:25
37阅读
文章目录Tensorflow Serving实战安装Tensorflow serving准备YOLOX模型部署YOLOX模型测试YOLOX模型多模型多版本部署模型的热部署参考 Tensorflow Serving使用Tensorflow框架训练好模型后，想把模型部署到生产环境可以使用Tensorflow Serving进行部署。Tensorflow Serving具有以下作用：兼容Tensorf
转载
2024-05-05 18:54:11
162阅读
大体思想1. 函数指针调用动态库自定义操作；2. xml中提供仿真过程所需要的的动态库内存信息。FMU实现过程：1. 首先由协会约定仿真过程中用到的接口函数形式；2.使用fmi协议用户生成fmi协议中的函数动态库和xml，将xml打包生成fmu;3.使用外部fmu根据fmi协议解析xml及获得动态库中函数的地址进行使用。
转载
2023-07-04 22:58:30
301阅读
转载
2020-03-26 17:26:00
99阅读
2评论
AFM模型在FM模型的基础上，引入了Attention机制，通过Attention的网络对FM模型中的交叉特征赋予不同的权重。
原创
2023-06-14 18:12:10
162阅读
