O Colab fornece acesso a GPUs para novos alunos e oferece aos profissionais experientes uma maneira fácil de experimentar o sistema de recomendação Merlin!

Acompanhe este blog e aprenda o seguinte:

• instale o RAPIDS no Google Colab (fácil de fazer agora graças à nova funcionalidade implementada pelos meus colegas ! )
• instalar o Merlin Framework
• execute exemplos do Merlin Framework e comece a mexer nele

• sem alterar seu ambiente
• usando recursos disponíveis gratuitamente e rodando na GPU

Instalando RAPIDS e Merlin no Google Colab

Navegue até o Google Colab e escolha um notebook de exemplo do Merlin que você gostaria de executar. A trilha introdutória dos Modelos Merlin é ótima para começar.

Vamos começar com 01-Getting-started!

Navegue até File> Open notebook, mude para GitHubno menu superior e copie o caminho para o repositório no campo de pesquisa .

Em seguida, clique na lupa à direita ou pressione enter.

Antes de prosseguir, verifique se você está usando um ambiente com uma GPU. Na barra de menus na parte superior, vá para Runtime> Change runtime typee selecione GPU paraHardware accelerator.

Em seguida, copie o código abaixo em seu notebook como a primeira célula, execute-o e você deve estar pronto!

# This get the RAPIDS-Colab install files and test check your GPU.  Run this and the next cell only.
# Please read the output of this cell.  If your Colab Instance is not RAPIDS compatible, it will warn you and give you remediation steps.
!git clone https://github.com/rapidsai/rapidsai-csp-utils.git
%cd rapidsai-csp-utils
!git checkout pip-patch-22.10
%cd ..
!python rapidsai-csp-utils/colab/env-check.py
!python rapidsai-csp-utils/colab/pip-install.py

# Install the Merlin Framework
!pip install -U git+https://github.com/NVIDIA-Merlin/models.git
!pip install -U git+https://github.com/NVIDIA-Merlin/nvtabular.git
!pip install -U git+https://github.com/NVIDIA-Merlin/core.git
!pip install -U git+https://github.com/NVIDIA-Merlin/system.git
!pip install -U git+https://github.com/NVIDIA-Merlin/dataloader.git
!pip install -U git+https://github.com/NVIDIA-Merlin/Transformers4Rec.git
!pip install -U xgboost lightfm implicit

Pode levar alguns instantes para que tudo seja instalado. No entanto, você deve ser capaz de ver o fluxo de logs em sua tela, portanto, não se assuste.

E é isso mesmo!

Agora você pode executar o notebook e percorrer cada célula para inspecionar o que cada linha de código está fazendo.

Todos os nossos exemplos são independentes, o que significa que eles irão gerar ou baixar os dados necessários para a execução (talvez seja necessário executá-los na ordem 01, 02, 03, etc).

Agora, você não poderá executar todos os notebooks de exemplo. Por exemplo, não há como executar o Triton Inference Server no Colab, portanto, atender às suas previsões não será possível!

Mas isso é apenas uma parte do Merlin Framework. Se você quiser fazer um tour por ele, aqui estão vários tutoriais que são ótimos para você mergulhar:

• conheça o novo e poderoso Merlin Dataloader e execute-o com sua escolha de modelo de aprendizado profundo baunilha (seja usando PyTorch ou TensorFlow )
• experimente a velocidade e a conveniência de pré-processar seus dados usando a GPU ao mergulhar nesses notebooks introdutórios do NVTabular
• experimente os Modelos Merlin, aprenda como definir suas próprias arquiteturas ou use um dos muitos modelos predefinidos nesta trilha introdutória (usamos o primeiro notebook como exemplo para esta postagem no blog)
• experimente um dos tópicos mais quentes em sistemas de recomendação, ou seja, recomendações baseadas em sessão, neste conjunto introdutório de notebooks que aproveitam a arquitetura do Transformer

Resumo

Nesta postagem do blog, vimos como instalar o RAPIDS e o Merlin Framework no Google Colab. Usar nossos notebooks de exemplo é apenas um ponto de partida — a próxima etapa pode ser personalizá-los ou executá-los em diferentes conjuntos de dados!

Obrigado por ler! Se você quiser saber mais sobre o Merlin Framework de ponta, pode fazê-lo aqui .