協同過濾(二)

2023 iThome 鐵人賽

DAY 17

AI & Data

Fast ai 30天系列第 17 篇

15th鐵人賽

Paul.Ciou

2023-10-02 21:04:46

119 瀏覽

分享至

創建模型

承接昨天的code

為了怕忘記，先說明dls 是什麼

class DotProduct(Module):
    def __init__(self, n_users, n_movies, n_factors):
        self.user_factors = Embedding(n_users, n_factors)
        self.movie_factors = Embedding(n_movies, n_factors)
        
    def forward(self, x):
        users = self.user_factors(x[:,0])
        movies = self.movie_factors(x[:,1])
        return (users * movies).sum(dim=1)

這個 class 的名字 "DotProduct" 代表了一個模型，用於電影推薦。它的主要功能是進行用戶對電影的評分預測，通過計算用戶嵌入和電影嵌入之間的內積。這個模型可以使用參數 n_users、n_movies 和 n_factors 來建立。當調用其中的 "forward" 方法時，它會接受一個包含用戶和電影信息的輸入張量 x，然後對這些信息進行嵌入，計算內積，最終回傳評分的預測結果。
現在只寫了forward ，後面應該還要補充其他方法
以下是使用這個類別建立一個物件，取名叫model，然後把他傳入fastai.Learner類別中建立Learner物件
取名為learn，然後跑5個epoch, learning rate設定為5e-3

model = DotProduct(n_users, n_movies, 50)
learn = Learner(dls, model, loss_func=MSELossFlat())
learn.fit_one_cycle(5, 5e-3)

fit_one_cycle 我又忘記了，再註記一下：
1cycle policy 的學習率調整策略：
這個策略的主要思想是在訓練過程中逐漸增加學習率，然後再逐漸降低學習率，以加速模型的收斂，同時防止過度擬合。
通常包括以下步驟：
以較低的學習率開始訓練
然後逐漸提高學習率，直到達到一個最大值。
接下來，再逐漸降低學習率，直到訓練結束。
這種策略的目標是在開始時快速收斂，然後在訓練過程中進一步調整以提高模型的性能。使用 fit_one_cycle 方法，就可以輕鬆實現這種策略，而不必手動調整學習率。這也是與pytorchd的OneCycleLR最大差別

好這不是重點，因為我們其實是要看協同過濾是怎麼做的。
上這門課的問題就是初學者(像我)，就會常常被小動作帶偏，而搞不清楚最終目標是什麼。
所以要練習看不懂的先搞懂這一大段的「目的」是什麼，先看效果，中間弄不懂的東西或是小技巧，等第二遍再來弄懂

那現在講師用自創的內積算法，做了一個model ，然後拿來跑，顯然結果不怎麼好
那該如何改進呢?
首先講師說到我們的模型，缺少了偏見這個參數
也就是說我們的編碼頂多可以說明這部電影多科幻，多老、動作成份有多少，而不能說明人們有多喜歡他，
一但有人特別積級評分，或是特別消積評分，可能會讓我們的模型有較大的偏差
所以這邊就要加入bias
所以我們的內積模型可以修改如下

class DotProductBias(Module):
    def __init__(self, n_users, n_movies, n_factors, y_range=(0,5.5)):
        self.user_factors = Embedding(n_users, n_factors)
        self.user_bias = Embedding(n_users, 1)
        self.movie_factors = Embedding(n_movies, n_factors)
        self.movie_bias = Embedding(n_movies, 1)
        self.y_range = y_range
        
    def forward(self, x):
        users = self.user_factors(x[:,0])
        movies = self.movie_factors(x[:,1])
        res = (users * movies).sum(dim=1, keepdim=True)
        res += self.user_bias(x[:,0]) + self.movie_bias(x[:,1])
        return sigmoid_range(res, *self.y_range)

可以看到user 多了bias，movie 也多了bias
還多了一個y_range表示模型的輸出應該落在的範圍，通常用於回歸問題。
forward 中，res 一樣要先做內建，但是最後再加上user 及movie 的bias
最後應用 sigmoid_range 函數，將輸出限制在指定的 y_range 範圍內，這通常用於回歸問題，確保輸出在合理的範圍內。

設定完再跑一次看看結果，有沒有更好?