recommenders-team/recommenders

[ASK] Azure ML Compute based on algo and users / item size

Open

#896 geöffnet am 7. Aug. 2019

Auf GitHub ansehen
 (2 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)Python (2.972 Forks)batch import
help wanted

Repository-Metriken

Stars
 (17.706 Stars)
PR-Merge-Metriken
 (Durchschn. Merge 6T 16h) (10 gemergte PRs in 30 T)

Beschreibung

Description

I'm trying to run RBM on a problem with about 20K users and 40K items. Is there a way to quickly figure out what type of Azure Machine Learning Compute I would need to handle this size of problem, especially for the GPU. I can run this on an Standard NC12 on the CPU, but when I try to run it with the GPU I get an OOM error or the run fails with the last log entry somewhere deep in Tensorflow.

Other Comments

Contributor Guide

Research-Richtung
Das Issue fordert eine Anleitung zur Auswahl von Azure ML Compute Ressourcen für ein RBM Modell mit 20.000 Benutzern und 40.000 Artikeln. Ein Mitwirkender sollte zunächst die RBM Implementierung im Repository (wahrscheinlich in den Verzeichnissen 'examples' oder 'reco utils') überprüfen, um die Modellgröße zu verstehen. Anschließend sollte er die Azure ML Dokumentation zu GPU Compute SKUs und Speicheranforderungen konsultieren. Die vorhandenen Kommentare (2) können zusätzlichen Kontext enthalten. Das Ziel ist es, konkrete Empfehlungen basierend auf der Anzahl der Benutzer/Artikel zu geben, z. B. eine bestimmte VM Größe vorzuschlagen oder eine Formel zur Speicherschätzung bereitzustellen.
Tech Stack
pythontensorflow
Domain
machine learningcloudbackend
Issue Type
Recherche
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
2
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
Halber Tag
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Aktiv
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Meist klar
Voraussetzungen
PythonAzure MLTensorFlow
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
60