在训练后部署来自Tensorflow/models的推荐模型？

在训练后部署来自Tensorflow/models的推荐模型，可以通过以下步骤进行：

1. 训练模型：使用Tensorflow中的models库，选择适合的模型进行训练。根据具体的推荐场景，可以选择不同的模型，如Wide & Deep模型、DeepFM模型等。训练过程中需要准备好训练数据集，并进行数据预处理、特征工程等操作。
2. 导出模型：在训练完成后，将训练好的模型导出为Tensorflow SavedModel格式或者Frozen Graph格式。这样可以将模型与训练代码分离，方便后续的部署和推理。
3. 模型部署：将导出的模型部署到云计算平台上，可以选择腾讯云的AI推理服务（https://cloud.tencent.com/product/ti），该服务提供了高性能的推理引擎和弹性的计算资源，可以快速部署和扩展模型。通过该服务，可以将模型部署为API接口，供其他应用调用。
4. 模型推理：通过调用部署好的模型API接口，将待推荐的数据传入模型进行推理。推荐模型可以根据输入的用户特征、上下文信息等，输出相应的推荐结果。推荐结果可以是一组物品的排序列表，根据用户的兴趣程度进行排序。
5. 监控和优化：在模型部署后，需要进行监控和优化。可以通过腾讯云的云监控服务（https://cloud.tencent.com/product/monitoring）对模型的性能、资源使用情况等进行监控。根据监控结果，可以进行模型的优化和调整，提升推荐效果和性能。

总结起来，训练后部署来自Tensorflow/models的推荐模型，可以通过选择合适的模型进行训练，导出模型并部署到腾讯云的AI推理服务上，通过调用API接口进行推理，最后进行监控和优化。这样可以实现高效、可扩展的推荐系统。