Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Important
Cette fonctionnalité est en version bêta. Les administrateurs d’espace de travail peuvent contrôler l’accès à cette fonctionnalité à partir de la page Aperçus . Consultez Gérer les préversions d’Azure Databricks.
Cette page fournit des exemples de notebooks pour créer des systèmes de recommandation à l’aide du calcul GPU sans serveur. Ces exemples montrent comment créer des modèles de recommandation efficaces à l’aide d’approches d’apprentissage profond modernes.
| Tutoriel | Description |
|---|---|
| Modèle de recommandation à deux tours | Découvrez comment convertir des données de recommandation en format MDS (Mosaïque Data Shard), puis utiliser ces données pour créer un modèle de recommandation à deux tours. |
| Ajuster les modèles d’incorporation avec llm-foundry | Ajustez un modèle d’incorporation de style BERT sur le calcul GPU serverless à l’aide de l’apprentissage contrastif avec l’infrastructure llm-foundry et l’entraîneur de Composer. |
Modèle de recommandation à deux tours
Ces notebooks illustrent comment convertir vos données de recommandation au format Mosaic Data Shard (MDS) et ensuite utiliser ces données pour créer un modèle de recommandation à deux tours. Cette approche est particulièrement efficace pour les systèmes de recommandation à grande échelle.
Préparation des données : convertir le jeu de données du modèle de recommandation au format MDS
Tout d’abord, convertissez votre jeu de données de recommandation au format MDS pour un chargement efficace des données :
Convertir des données
Obtenir un ordinateur portable
Entraînement du modèle : modèle de recommandation à deux colonnes à l’aide de PyTorch Lightning
Entraîner le modèle de recommandation à deux tours à l’aide du jeu de données préparé et de l’API PyTorch Lightning Trainer sur plusieurs nœuds GPU (GPU A10 ou H100).