Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Format de données pour l'inférence d'Object2Vec
<a name="object2vec-inference-formats"></a>

La page suivante décrit les formats de demande d'entrée et de réponse de sortie permettant d'obtenir une inférence de notation à partir du modèle Amazon SageMaker AI Object2Vec.

## Optimisation du GPU : classification ou régression
<a name="object2vec-inference-gpu-optimize-classification"></a>

En raison de la rareté de la mémoire du GPU, la variable d'`INFERENCE_PREFERRED_MODE`environnement peut être spécifiée pour optimiser le chargement du réseau classification/regression ou du réseau d'[Sortie : intégrations de l'encodeur](object2vec-encoder-embeddings.md#object2vec-out-encoder-embeddings-data)inférence dans le GPU. Si la majeure partie de votre inférence est destinée à la classification ou la régression, spécifiez `INFERENCE_PREFERRED_MODE=classification`. Voici un exemple de transformation par lots utilisant 4 instances de p3.2xlarge qui optimisent l'inférence : classification/regression 

```
transformer = o2v.transformer(instance_count=4,
                              instance_type="ml.p2.xlarge",
                              max_concurrent_transforms=2,
                              max_payload=1,  # 1MB
                              strategy='MultiRecord',
                              env={'INFERENCE_PREFERRED_MODE': 'classification'},  # only useful with GPU
                              output_path=output_s3_path)
```

## Entrée : format de demande de classification ou de régression
<a name="object2vec-in-inference-data"></a>

Content-type: application/json

```
{
  "instances" : [
    {"in0": [6, 17, 606, 19, 53, 67, 52, 12, 5, 10, 15, 10178, 7, 33, 652, 80, 15, 69, 821, 4], "in1": [16, 21, 13, 45, 14, 9, 80, 59, 164, 4]},
    {"in0": [22, 1016, 32, 13, 25, 11, 5, 64, 573, 45, 5, 80, 15, 67, 21, 7, 9, 107, 4], "in1": [22, 32, 13, 25, 1016, 573, 3252, 4]},
    {"in0": [774, 14, 21, 206], "in1": [21, 366, 125]}
  ]
}
```

Content-type: application/jsonlines

```
{"in0": [6, 17, 606, 19, 53, 67, 52, 12, 5, 10, 15, 10178, 7, 33, 652, 80, 15, 69, 821, 4], "in1": [16, 21, 13, 45, 14, 9, 80, 59, 164, 4]}
{"in0": [22, 1016, 32, 13, 25, 11, 5, 64, 573, 45, 5, 80, 15, 67, 21, 7, 9, 107, 4], "in1": [22, 32, 13, 25, 1016, 573, 3252, 4]}
{"in0": [774, 14, 21, 206], "in1": [21, 366, 125]}
```

Pour les problèmes de classification, la longueur du vecteur des scores correspond à `num_classes`. Pour les problèmes de régression, la longueur est égale à 1.

## Sortie : format de réponse de classification ou de régression
<a name="object2vec-out-inference-data"></a>

Acceptez : application/json

```
{
    "predictions": [
        {
            "scores": [
                0.6533935070037842,
                0.07582679390907288,
                0.2707797586917877
            ]
        },
        {
            "scores": [
                0.026291321963071823,
                0.6577019095420837,
                0.31600672006607056
            ]
        }
    ]
}
```

Acceptez : application/jsonlines

```
{"scores":[0.195667684078216,0.395351558923721,0.408980727195739]}
{"scores":[0.251988261938095,0.258233487606048,0.489778339862823]}
{"scores":[0.280087798833847,0.368331134319305,0.351581096649169]}
```

Dans les formats de régression et de classification, les scores s'appliquent à chaque étiquette.