cygwin - libFM : can't load/save model-6ren

cygwin - libFM : can't load/save model

转载作者：行者123 更新时间：2023-12-03 17:03:45

我建了 libFM .exe 在 cygwin 上，但 save_model/load_model 似乎不起作用:

$ ./libFM.exe -task r -method als -train data.libfm1 -test test.libfm1 -iter 100 -dim ‘5,5,10’ -load_model mod -save_model mod -out res.txt
----------------------------------------------------------------------------
libFM
  Version: 1.4.4
  Author:  Steffen Rendle, srendle@libfm.org
  WWW:     http://www.libfm.org/
This program comes with ABSOLUTELY NO WARRANTY; for details see license.txt.
This is free software, and you are welcome to redistribute it under certain
conditions; for details see license.txt.
----------------------------------------------------------------------------
Loading train...
has x = 0
has xt = 1
num_rows=532062 num_values=1064124      num_features=5548       min_target=4.88591e-05  max_target=2728.33
Loading test...
has x = 0
has xt = 1
num_rows=8828   num_values=17656        num_features=5548       min_target=1   max_target=1
#relations: 0
Loading meta data...
Reading FM model...
WARNING: malformed model file. Nothing will be loaded.
#Iter=  0       Train=843.76    Test=1818.09
#Iter=  1       Train=834.451   Test=1809.26
#Iter=  2       Train=828.697   Test=1804.68
#Iter=  3       Train=826.596   Test=1799.81
#Iter=  4       Train=825.624   Test=1797.39
#Iter=  5       Train=825.001   Test=1796.07
#Iter=  6       Train=824.561   Test=1795.28
#Iter=  7       Train=824.128   Test=1794.72
#Iter=  8       Train=823.628   Test=1794.32
#Iter=  9       Train=823.058   Test=1794.01
#Iter= 10       Train=822.35    Test=1793.77
#Iter= 11       Train=821.495   Test=1793.57
#Iter= 12       Train=820.475   Test=1793.4
#Iter= 13       Train=819.259   Test=1793.26
#Iter= 14       Train=817.804   Test=1793.12
#Iter= 15       Train=816.007   Test=1792.96
#Iter= 16       Train=813.778   Test=1792.78
#Iter= 17       Train=811.026   Test=1792.58
#Iter= 18       Train=807.526   Test=1792.35
#Iter= 19       Train=803.088   Test=1792.11
#Iter= 20       Train=797.588   Test=1791.79
#Iter= 21       Train=790.879   Test=1791.06
#Iter= 22       Train=782.458   Test=1789.96
#Iter= 23       Train=771.832   Test=1788.64
#Iter= 24       Train=758.433   Test=1787.18
#Iter= 25       Train=740.229   Test=1785.63
#Iter= 26       Train=718.402   Test=1783.97
#Iter= 27       Train=699.144   Test=1782.23
#Iter= 28       Train=677.813   Test=1780.37
#Iter= 29       Train=654.682   Test=1778.1
#Iter= 30       Train=627.238   Test=1774.78
#Iter= 31       Train=599.629   Test=1769.07
#Iter= 32       Train=561.1     Test=1761.65
#Iter= 33       Train=485.198   Test=1752.08
#Iter= 34       Train=389.219   Test=1738.76
#Iter= 35       Train=308.496   Test=1718.83
#Iter= 36       Train=244.646   Test=1694.29
#Iter= 37       Train=194.178   Test=1666.62
#Iter= 38       Train=154.331   Test=1636.97
#Iter= 39       Train=122.927   Test=1606.16
#Iter= 40       Train=98.2438   Test=1574.81
#Iter= 41       Train=78.9262   Test=1543.37
#Iter= 42       Train=63.9054   Test=1512.17
#Iter= 43       Train=52.3367   Test=1481.44
#Iter= 44       Train=43.5473   Test=1451.35
#Iter= 45       Train=36.9906   Test=1421.99
#Iter= 46       Train=32.2103   Test=1393.44
#Iter= 47       Train=28.8155   Test=1365.74
#Iter= 48       Train=26.4696   Test=1338.9
#Iter= 49       Train=24.8894   Test=1312.93
#Iter= 50       Train=23.848    Test=1287.82
#Iter= 51       Train=23.1733   Test=1263.55
#Iter= 52       Train=22.7416   Test=1240.1
#Iter= 53       Train=22.4679   Test=1217.44
#Iter= 54       Train=22.2956   Test=1195.55
#Iter= 55       Train=22.1876   Test=1174.4
#Iter= 56       Train=22.1198   Test=1153.95
#Iter= 57       Train=22.0776   Test=1134.18
#Iter= 58       Train=22.0514   Test=1115.06
#Iter= 59       Train=22.0353   Test=1096.56
#Iter= 60       Train=22.0254   Test=1078.65
#Iter= 61       Train=22.0193   Test=1061.31
#Iter= 62       Train=22.0138   Test=1044.51
#Iter= 63       Train=22.0078   Test=1028.23
#Iter= 64       Train=21.9998   Test=1012.45
#Iter= 65       Train=21.9904   Test=997.144
#Iter= 66       Train=21.9836   Test=982.29
#Iter= 67       Train=21.9793   Test=967.871
#Iter= 68       Train=21.9766   Test=953.868
#Iter= 69       Train=21.9749   Test=940.264
#Iter= 70       Train=21.9738   Test=927.041
#Iter= 71       Train=21.9731   Test=914.186
#Iter= 72       Train=21.9727   Test=901.681
#Iter= 73       Train=21.9725   Test=889.515
#Iter= 74       Train=21.9723   Test=877.672
#Iter= 75       Train=21.9722   Test=866.14
#Iter= 76       Train=21.9721   Test=854.908
#Iter= 77       Train=21.9721   Test=843.964
#Iter= 78       Train=21.9721   Test=833.297
#Iter= 79       Train=21.972    Test=822.896
#Iter= 80       Train=21.972    Test=812.752
#Iter= 81       Train=21.972    Test=802.855
#Iter= 82       Train=21.972    Test=793.197
#Iter= 83       Train=21.972    Test=783.768
#Iter= 84       Train=21.972    Test=774.562
#Iter= 85       Train=21.972    Test=765.569
#Iter= 86       Train=21.972    Test=756.783
#Iter= 87       Train=21.972    Test=748.197
#Iter= 88       Train=21.972    Test=739.804
#Iter= 89       Train=21.972    Test=731.597
#Iter= 90       Train=21.972    Test=723.571
#Iter= 91       Train=21.972    Test=715.719
#Iter= 92       Train=21.972    Test=708.036
#Iter= 93       Train=21.972    Test=700.516
#Iter= 94       Train=21.972    Test=693.155
#Iter= 95       Train=21.972    Test=685.947
#Iter= 96       Train=21.972    Test=678.888
#Iter= 97       Train=21.972    Test=671.972
#Iter= 98       Train=21.972    Test=665.197
#Iter= 99       Train=21.972    Test=658.557
Writing FM model to mod

文件 mod 就位并包含一些数字(主要是零)。
现在我尝试再次启动它，希望它能恢复，但它从头开始:

$ ./libFM.exe -task r -method als -train data.libfm1 -test test.libfm1 -iter 100 -dim ‘5,5,10’ -load_model mod -save_model mod -out res.txt
----------------------------------------------------------------------------
libFM
  Version: 1.4.4
  Author:  Steffen Rendle, srendle@libfm.org
  WWW:     http://www.libfm.org/
This program comes with ABSOLUTELY NO WARRANTY; for details see license.txt.
This is free software, and you are welcome to redistribute it under certain
conditions; for details see license.txt.
----------------------------------------------------------------------------
Loading train...
has x = 0
has xt = 1
num_rows=532062 num_values=1064124      num_features=5548       min_target=4.88591e-05  max_target=2728.33
Loading test...
has x = 0
has xt = 1
num_rows=8828   num_values=17656        num_features=5548       min_target=1   max_target=1
#relations: 0
Loading meta data...
Reading FM model...
#Iter=  0       Train=1242.26   Test=1239.97
#Iter=  1       Train=1239.28   Test=1236.05
#Iter=  2       Train=1238.53   Test=1232.92
#Iter=  3       Train=1283.05   Test=1237.22
#Iter=  4       Train=1245.98   Test=1242.34
#Iter=  5       Train=1143.14   Test=1242.26
#Iter=  6       Train=962.48    Test=1235.22
#Iter=  7       Train=787.968   Test=1220.46
#Iter=  8       Train=635.268   Test=1198.45
#Iter=  9       Train=505.948   Test=1165.38
#Iter= 10       Train=401.108   Test=1122.19
#Iter= 11       Train=318.007   Test=1074.38
#Iter= 12       Train=252.22    Test=1025.22
#Iter= 13       Train=200.194   Test=976.667
#Iter= 14       Train=159.102   Test=929.827
#Iter= 15       Train=126.703   Test=885.303
#Iter= 16       Train=101.225   Test=843.375
#Iter= 17       Train=81.27     Test=804.127
#Iter= 18       Train=65.7362   Test=767.526
#Iter= 19       Train=53.7528   Test=733.468
#Iter= 20       Train=44.6269   Test=701.809
#Iter= 21       Train=37.7977   Test=672.391
#Iter= 22       Train=32.7988   Test=645.047
#Iter= 23       Train=29.2325   Test=619.615
#Iter= 24       Train=26.7558   Test=595.939
#Iter= 25       Train=25.0793   Test=573.872
#Iter= 26       Train=23.969    Test=553.277
#Iter= 27       Train=23.2465   Test=534.03
#Iter= 28       Train=22.7824   Test=516.015
#Iter= 29       Train=22.487    Test=499.129
#Iter= 30       Train=22.3003   Test=483.277
#Iter= 31       Train=22.1824   Test=468.373
#Iter= 32       Train=22.1081   Test=454.339
#Iter= 33       Train=22.0599   Test=441.106
#Iter= 34       Train=22.0274   Test=428.61
#Iter= 35       Train=22.0068   Test=416.793
#Iter= 36       Train=21.9938   Test=405.603
#Iter= 37       Train=21.9857   Test=394.994
#Iter= 38       Train=21.9806   Test=384.921
#Iter= 39       Train=21.9774   Test=375.347
#Iter= 40       Train=21.9754   Test=366.236
#Iter= 41       Train=21.9741   Test=357.556
#Iter= 42       Train=21.9733   Test=349.277
#Iter= 43       Train=21.9728   Test=341.372
#Iter= 44       Train=21.9725   Test=333.818
#Iter= 45       Train=21.9723   Test=326.59
#Iter= 46       Train=21.9722   Test=319.669
#Iter= 47       Train=21.9721   Test=313.036
#Iter= 48       Train=21.9721   Test=306.674
#Iter= 49       Train=21.9721   Test=300.565
#Iter= 50       Train=21.972    Test=294.695
#Iter= 51       Train=21.972    Test=289.051
#Iter= 52       Train=21.972    Test=283.62
#Iter= 53       Train=21.972    Test=278.39
#Iter= 54       Train=21.972    Test=273.35
#Iter= 55       Train=21.972    Test=268.49
#Iter= 56       Train=21.972    Test=263.8
#Iter= 57       Train=21.972    Test=259.272
#Iter= 58       Train=21.972    Test=254.897
#Iter= 59       Train=21.972    Test=250.668
#Iter= 60       Train=21.972    Test=246.578
#Iter= 61       Train=21.972    Test=242.62
#Iter= 62       Train=21.972    Test=238.787
#Iter= 63       Train=21.972    Test=235.075
#Iter= 64       Train=21.972    Test=231.476
#Iter= 65       Train=21.972    Test=227.986
#Iter= 66       Train=21.972    Test=224.601
#Iter= 67       Train=21.972    Test=221.315
#Iter= 68       Train=21.972    Test=218.124
#Iter= 69       Train=21.972    Test=215.025
#Iter= 70       Train=21.972    Test=212.013
#Iter= 71       Train=21.972    Test=209.084
#Iter= 72       Train=21.972    Test=206.236
#Iter= 73       Train=21.972    Test=203.465
#Iter= 74       Train=21.972    Test=200.767
#Iter= 75       Train=21.972    Test=198.141
#Iter= 76       Train=21.972    Test=195.583
#Iter= 77       Train=21.972    Test=193.09
#Iter= 78       Train=21.972    Test=190.661
#Iter= 79       Train=21.972    Test=188.292
#Iter= 80       Train=21.972    Test=185.982
#Iter= 81       Train=21.972    Test=183.728
#Iter= 82       Train=21.972    Test=181.528
#Iter= 83       Train=21.972    Test=179.381
#Iter= 84       Train=21.972    Test=177.285
#Iter= 85       Train=21.972    Test=175.237
#Iter= 86       Train=21.972    Test=173.236
#Iter= 87       Train=21.972    Test=171.28
#Iter= 88       Train=21.972    Test=169.369
#Iter= 89       Train=21.972    Test=167.5
#Iter= 90       Train=21.972    Test=165.672
#Iter= 91       Train=21.972    Test=163.884
#Iter= 92       Train=21.972    Test=162.134
#Iter= 93       Train=21.972    Test=160.422
#Iter= 94       Train=21.972    Test=158.745
#Iter= 95       Train=21.972    Test=157.104
#Iter= 96       Train=21.972    Test=155.496
#Iter= 97       Train=21.972    Test=153.922
#Iter= 98       Train=21.972    Test=152.379
#Iter= 99       Train=21.972    Test=150.866
Writing FM model to mod

我从 github 尝试了两个存储库，它们都没有按我预期的那样工作。我错过了什么？

最佳答案

您可以从 github 下载源代码然后构建。它有参数 -save_model它的版本是 1.4.4 .

但是如果你从http://www.libfm.org/下载，其版本为 1.4.2不带参数 -save_model .

关于cygwin - libFM : can't load/save model，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/52402480/

文章推荐： azure-devops - PackageReference 版本控制通配符 csproj

文章推荐： objective-c - NSTimer 是否可以在指定时间之前触发？

文章推荐： xcode - 在模型编辑器中设置 NSFetchRequest resultType 没有效果

node.js - Mongoose.model vs Connection.model vs Model.model
我对 mongoosejs 中模型的使用感到有些困惑。可以通过这些方式使用 mongoose 创建模型使用 Mongoose var mongoose = require('mongoose');
python - models.py 中的 models.Model 参数到底指的是什么？
我正在看 from django.db import models class Publisher(models.Model): name = models.CharField(max_len
asp.net-mvc-2 - 为什么 model => model.Reason_ID 变成 model =>Convert(model.Reason_ID)
我有自己的 html 帮助器扩展，我用这种方式 model.Reason_ID, Register.PurchaseReason) %> 这样声明的。 public static MvcHtmlS
python - model.to(device) 和 model=model.to(device) 有什么区别？
假设模型原本是存储在CPU上的，然后我想把它移到GPU0上，那么我可以这样做: device = torch.device('cuda:0') model = model.to(device) # o
model-view-controller - MVC : Data Models and View Models
我过去读过一些关于模型的 MVC 建议，指出不应为域和 View 重用相同的模型对象；但我找不到任何人愿意讨论为什么这很糟糕。我认为创建两个单独的模型 - 一个用于域，一个用于 View - 然后在
model - 为什么 model.forward(input) 和 model(input) 之间有不同的输出
我正在使用pytorch构建一个像VGG16这样的简单模型，并且我已经重载了函数forward在我的模型中。我发现每个人都倾向于使用 model(input)得到输出而不是 model.forwar
python - tf.keras.models.model 与 tf.keras.model
tf.keras API 中的 models 是否多余？对于某些情况，即使不使用 models，代码也能正常运行。 keras.models.sequential 和 keras.sequential
docker - 运行docker容器报错: Could not find base path/models/model for servable model
当我尝试使用 docker 镜像运行 docker 容器时遇到问题:tensorflow/serving。我运行命令: docker run --name=tf_serving -it tensor
python - Model.get_model_path(model_name ="model") 抛出错误 : Model not found in cache or in root at
我有一个模型，我用管道注册了它: register_step = PythonScriptStep(name = "Register Model",
model-view-controller - MVC : pass model/model data to a view from a controller?
如果 View 需要访问模型中的数据，您是否认为 Controller 应: a)将模型传递给 View b)将模型的数据传递给 View c)都不；这不应该是 Controller 所关心的。让 V
python - Models.Model 的列表模型字段
我正在寻找一个可以在模型中定义的字段，该字段本质上是一个列表，因为它将用于存储多个字符串值。显然CharField不能使用。最佳答案您正在描述一种多对一的关系。这应该通过一个额外的 Model 进
python - Django + (django-model-utils) : Combining two models/inheriting from two models
我最近了解了 Django 中的模型继承。我使用很棒的包 django-model-utils 取得了巨大的成功。我继承自 TimeStampedModel 和 SoftDeletableModel。
python - 为什么 Keras 在 model.evaluate、model.predicts 和 model.fit 之间给我不同的结果？
我正在使用基于 resnet50 的双输出模型进行项目。一个输出用于回归任务，第二个输出用于分类任务。我的主要问题是关于模型评估。在训练期间，我在验证集的两个输出上都取得了不错的结果: - 综合损失
python - Keras:我可以使用 model.predict 但不使用 model.predict_generator 来预测是否使用 model.fit_generator 训练模型
我是keras的新手。现在，我将使用我使用 model.fit_generator 训练的模型来预测测试图像组。我可以使用 model.predict 吗？不确定如何使用model.predict_g
javascript - 将 Model.ID 绑定(bind)到复选框列表并将 Model.X、Model.Y 等属性发布到 Controller
在 MVC 应用程序中，我加入了多个表并将其从 Controller 返回到 View，如下所示: | EmployeeID | ControlID | DoorAddress | DoorID |
node.js - Cassandra Sails model.count() 有效但 model.find() 和 model.findOne() 无效
我在使用 sails-cassandra 连接系统的 Sails 中有一个 Data 模型。数据。 Data.count({...}).exec() 返回 1，但 Data.find({...}).e
java.lang.IllegalArgumentException : Cannot convert Model. User[ usrId=1 ] 将类 Model.User 键入类 Model.User
我正在使用 PrimeFaces dataTable 开发一个 jsf 页面来显示用户列表。用户存储在 Model.User 类的对象中。
python - Keras错误: Error when checking model target: the list of Numpy arrays that you are passing to your model is not the size the model expected
我正在关注https://www.tensorflow.org/tutorials/keras/basic_classification解决 Kaggle 挑战。但是，我不明白应该将什么样的数据输入
python - 如何使用 model.pb、model.h5 或 model.json 创建 CNN 的 .config 文件？
我是这个领域的新手。那么，你们能帮忙如何为 CNN 创建 .config 文件吗？传递有关如何执行此操作的文档或教程将对我有很大帮助。谢谢大家。最佳答案这个问题对我来说没有多大意义，因为 .co
modeling - 一致的术语 : Modeling, DAE、ODE
我是“物理系统建模”主题的新手。我阅读了一些基础文献，并在 Modelica 和 Simulink/Simscape 中做了一些教程。我想问你，如果我对以下内容理解正确: 符号操作是将微分代数方程组(

行者123

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

cygwin - libFM : can't load/save model