Framework Python para comprimir redes neurais com quantização, pruning e esparsidade, acelerando a inferência no OpenVINO, PyTorch e ONNX.
1,2 mil311PythonApache-2.0Atualizado há 10 horas
datawhalechina/torch-rechub
Framework PyTorch para criar modelos de recomendação, com mais de 30 modelos integrados de ranking, matching, multitarefa e generativos, além de exportação para ONNX.
- Estrelas
- 1,233
- Forks
- 158
- Issues abertas
- 4
- Último commit
- há 8 horas
O que é?
O Torch-RecHub é um framework baseado em PyTorch para criar sistemas de recomendação. Ele reúne uma biblioteca de modelos clássicos e recentes, incluindo modelos de ranking de CTR, como DeepFM e DCN; modelos de matching de duas torres e sequenciais, como DSSM e SASRec; modelos multitarefa, como MMoE e PLE; e sistemas de recomendação generativa, como HSTU e TIGER. Cada modelo é treinado por meio de trainers compartilhados para configurações de CTR, matching e multitarefa, com fluxos unificados de carregamento de dados e avaliação.
O framework foi projetado para ser modular, permitindo adicionar novos modelos, conjuntos de dados e métricas sem reescrever o pipeline. Os modelos treinados podem ser exportados para ONNX para implantação. Ele funciona em CPU, NVIDIA CUDA, AMD ROCm e Huawei Ascend NPU, e oferece extras opcionais para busca vetorial com Annoy, FAISS e Milvus, processamento de dados compatível com PySpark via PyArrow e acompanhamento de experimentos com WandB, SwanLab ou TensorBoardX.
Recursos principais
- 01Implementa mais de 30 modelos de recomendação de ranking, matching, multitarefa e generativos.
- 02Oferece trainers e carregadores de dados unificados para treinamento de CTR, matching e multitarefa.
- 03Exporta modelos treinados para ONNX para implantação em produção.
- 04Funciona em CPU, GPU NVIDIA, AMD ROCm e Huawei Ascend NPU.
- 05Integra WandB, SwanLab e TensorBoardX para acompanhar experimentos.
- 06Oferece suporte opcional a FAISS, Annoy e Milvus para busca vetorial.
Casos de uso
- Criar protótipos de modelos de previsão de CTR com conjuntos de dados como Criteo ou Avazu.
- Criar modelos de recuperação de duas torres e exportar separadamente as torres de usuários e itens.
- Treinar modelos de ranking multitarefa para objetivos conjuntos, como cliques e conversões.
- Experimentar métodos de recomendação baseados em LLM ou generativos, como HSTU e HLLM.
Início rápido
- 1
Instale o PyTorch e o pacote com pip
pip install torch && pip install torch-rechub - 2
Clone o repositório
git clone https://github.com/datawhalechina/torch-rechub.git - 3
Instale as dependências com uv
uv sync - 4
Execute o exemplo de correspondência DSSM na pasta correspondente
cd examples/matching && python run_ml_dssm.py
Antes de usar
- É necessária uma versão do PyTorch compatível com o hardware, o driver e o ambiente de execução, o que pode exigir algum esforço de configuração.
- Alguns recursos, como exportação para ONNX, visualização e rastreamento, exigem a instalação separada de extras opcionais.
Tópicos
Perguntas frequentes
- O que é torch-rechub?
- Framework PyTorch para criar modelos de recomendação, com mais de 30 modelos integrados de ranking, matching, multitarefa e generativos, além de exportação para ONNX. O Torch-RecHub é um framework baseado em PyTorch para criar sistemas de recomendação. Ele reúne uma biblioteca de modelos clássicos e recentes, incluindo modelos de ranking de CTR, como DeepFM e DCN; modelos de matching de duas torres e sequenciais, como DSSM e SASRec; modelos multitarefa, como MMoE e PLE; e sistemas de recomendação generativa, como HSTU e TIGER. Cada modelo é treinado por meio de trainers compartilhados para configurações de CTR, matching e multitarefa, com fluxos unificados de carregamento de dados e avaliação.
- torch-rechub é gratuito? Qual é a licença?
- torch-rechub é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
- torch-rechub ainda é mantido?
- Manutenção ativa. O último commit de torch-rechub foi em 22 de out. de 2026.
- Para que posso usar torch-rechub?
- Criar protótipos de modelos de previsão de CTR com conjuntos de dados como Criteo ou Avazu. Criar modelos de recuperação de duas torres e exportar separadamente as torres de usuários e itens. Treinar modelos de ranking multitarefa para objetivos conjuntos, como cliques e conversões. Experimentar métodos de recomendação baseados em LLM ou generativos, como HSTU e HLLM.
- Como instalar torch-rechub?
- Instale o PyTorch e o pacote com pip: pip install torch && pip install torch-rechub Clone o repositório: git clone https://github.com/datawhalechina/torch-rechub.git Instale as dependências com uv: uv sync Execute o exemplo de correspondência DSSM na pasta correspondente: cd examples/matching && python run_ml_dssm.py
- Onde consigo torch-rechub?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/datawhalechina/torch-rechub
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Livro gratuito e de código aberto, em chinês, com código complementar para aprender PyTorch, do básico a aplicações de CV, NLP e LLMs e ao deployment.
4,6 mil494Jupyter NotebookSem licençaAtualizado há 13 horas
Ultralytics YOLOv5, toolkit de visão computacional baseado em PyTorch para detecção de objetos, segmentação de instâncias e classificação de imagens, com recursos de treinamento e exportação.
58,2 mil17,5 milPythonAGPL-3.0Atualizado ontem
Visualizador de modelos de redes neurais, deep learning e machine learning, com suporte a ONNX, TensorFlow, PyTorch, Core ML e muitos outros formatos.
33,6 mil3,2 milJavaScriptMITAtualizado há 5 horas
Framework de inferência de redes neurais de alto desempenho em C++ para executar modelos de deep learning em dispositivos móveis, embarcados e desktop.
24 mil4,5 milC++OtherAtualizado há 12 horas
Acelerador multiplataforma para executar modelos de ML exportados no formato ONNX, com suporte ao treinamento de scripts do PyTorch.
22,1 mil4,4 milC++MITAtualizado há 2 horas