AK
Для уменьшения используемой памяти на CPU можно использовать параметр
used_ram_limit. Используете его?Size: a a a
2021 June 23
TG
Да, не работает особо, в документации написано, что ограничение используется только для рассчёта CTR. На практике не ощущаю аккуратного использования памяти, только в конце на последних итерациях при "сохранении" модели ругается что нету этих предоставленных Гб.
TG
Параметры обучения модели используете одинаковые для всех этапов дообучения?
AK
А у вас случайно не используется в качестве категориального признака какая-то колонка с уникальными идентификаторами строк датасета?
TG
Нет
IL
sum_models возвращает объект класса CatBoost - у него действительно таких методов нет. Для такого случая есть функции to_classifier/to_regressor. https://catboost.ai/docs/concepts/python-reference_to_regressor.html
L
Спасибо! Попробую так
L
По-моему да, не скажу на 100% так как обучаюсь на гпу
MF
Привет!
Подскажите, что за ворнинг и как его отключить? У меня прописано
Но всё равно вылезает сообщение
Custom logger is already specified. Specify more than one logger at same time is not thread safe.
Подскажите, что за ворнинг и как его отключить? У меня прописано
allow_writing_files=False
logging_level='Silent'
Но всё равно вылезает сообщение
TB
он возникает, если я правильно помню, при принудительной остановке обучения и повторном запуске.
MF
Кажется, не мой случай☹️
Я нигде принудительно не останавливаю, вроде как
Я нигде принудительно не останавливаю, вроде как
TB
Тогда просто повторный запуск, возможно
SK
/stat@combot
C
Total messages: 12223
2021 June 24
R
Всем привет, есть ли какой либо способ сконвертировать мультикласс модель с категориальными фичами в onnx?
AK
Модель использовала при обучении CTRы?
R
Да, пришлось в numerical все перевести, экспортнул, надеюсь, заоаботает
AK
Да, CTR - это CatBoost-specific штука, другими форматами моделей она не поддерживается. Экспорт из CatBoost в ONNX не поддерживает даже one hot категориальные признаки пока, только численные.
R
model.save_model(
"blabla.onnx",
format="onnx",
pool=train_data
)
"blabla.onnx",
format="onnx",
pool=train_data
)
R
я так сделал