Ich habe ein ALS-Modell mithilfe des impliziten Pakets mit GPU-Unterstützung trainiert. Bei der Auswertung des Modells mit der Funktion ndcg_at_k ist jedoch der folgende Fehler aufgetreten:
import os
import random
import pandas as pd
from scipy.sparse import csr_matrix
from implicit.evaluation import train_test_split, ndcg_at_k, mean_average_precision_at_k
from implicit.gpu.als import AlternatingLeastSquares
os.environ['OPENBLAS_NUM_THREADS']="1"
os.environ['CUDA_VISIBLE_DEVICES']="0"
# init random data
n_actions = 100000
max_uid = 100000
max_action_id = 10000
df = pd.DataFrame(data={
"user_id" : [random.randint(1, max_uid) for i in range(0, n_actions)],
"action" : [random.randint(1, max_action_id) for i in range(0, n_actions)],
"impression" : [1 for i in range(0, n_actions)]
})
# convert to sparse format
user_rows = [uid for uid in df.user_id.tolist()]
query_cols = [st for st in df.action.tolist()]
qvecs = csr_matrix((df.impression, (user_rows, query_cols)))
# train test split and model training
train_user_items, test_user_items = train_test_split(qvecs, train_percentage=0.9, random_state=19)
model = AlternatingLeastSquares(factors=130, regularization=0.05, alpha=1.0, calculate_training_loss=True)
model.fit(train_user_items)
# calculate ndcg
ndcg = ndcg_at_k(model, train_user_items, test_user_items, K=14, show_progress=True, num_threads=1)n.tolist()]
qvecs = csr_matrix((df.impression, (user_rows, query_cols)))
# train test split and model training
train_user_items, test_user_items = train_test_split(qvecs, train_percentage=0.9, random_state=19)
model = AlternatingLeastSquares(factors=130, regularization=0.05, alpha=1.0, calculate_training_loss=True)
model.fit(train_user_items)
# calculate ndcg
ndcg = ndcg_at_k(model, train_user_items, test_user_items, K=14, show_progress=True, num_threads=1)
Ich habe ein ALS-Modell mithilfe des impliziten Pakets mit GPU-Unterstützung trainiert. Bei der Auswertung des Modells mit der Funktion ndcg_at_k ist jedoch der folgende Fehler aufgetreten: [code]import os import random import pandas as pd from scipy.sparse import csr_matrix from implicit.evaluation import train_test_split, ndcg_at_k, mean_average_precision_at_k from implicit.gpu.als import AlternatingLeastSquares
# init random data n_actions = 100000 max_uid = 100000 max_action_id = 10000
df = pd.DataFrame(data={ "user_id" : [random.randint(1, max_uid) for i in range(0, n_actions)], "action" : [random.randint(1, max_action_id) for i in range(0, n_actions)], "impression" : [1 for i in range(0, n_actions)] })
# convert to sparse format user_rows = [uid for uid in df.user_id.tolist()] query_cols = [st for st in df.action.tolist()] qvecs = csr_matrix((df.impression, (user_rows, query_cols)))
# train test split and model training train_user_items, test_user_items = train_test_split(qvecs, train_percentage=0.9, random_state=19)
model = AlternatingLeastSquares(factors=130, regularization=0.05, alpha=1.0, calculate_training_loss=True) model.fit(train_user_items)
Lösungsversuche: [list] [*]Ich habe versucht, das Modell in CPU zu konvertieren, aber das Problem wurde dadurch nicht behoben. [/list] Frage: Wie kann ich diesen AttributeError beheben, wenn ich das Modell mit der impliziten Bibliothek auswerte?
Ich versuche, ein Skript auszuführen, um Daten für eine Reihe von Aktien zu erhalten. Ein Teil der Daten, die ich zu erhalten versuche, ist eine Liquiditätsmaßnahme (als Amihud -Liquiditätsmaß...
Ich habe die folgende case-Anweisung in meinem Code:
status = case(
(
orders.c.item_delivered.is_(True),
OrderStatus.DELIVERED.value,
),
(
orders.c.order_processing_status ==...
Ich habe die folgende case-Anweisung in meinem Code:
status = case(
(
orders.c.item_delivered.is_(True),
OrderStatus.DELIVERED.value,
),
(
orders.c.order_processing_status ==...
Ich versuche, in meinem Python-Projekt einen benutzerdefinierten Agenten mit Langgraph und OpenAI zu erstellen, aber bei der Verwendung der Funktion „create_react_agent“ tritt ein Fehler auf. Hier...