Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Algoritmo Object2Vec
L'algoritmo Amazon SageMaker AI Object2Vec è un algoritmo di incorporamento neurale generico altamente personalizzabile. Può apprendere incorporamenti a densità alta e bassa dimensionalità di oggetti ad alta dimensionalità. Gli incorporamenti vengono appresi in modo tale che la semantica della relazione tra coppie di oggetti nello spazio originale sia conservata nello spazio di incorporamento. Ad esempio, puoi utilizzare gli incorporamenti appresi per calcolare in modo efficiente i neighbors più vicini degli oggetti e per visualizzare i cluster naturali degli oggetti correlati nello spazio a bassa dimensione. È inoltre possibile utilizzare gli incorporamenti come caratteristiche degli oggetti corrispondenti nelle attività supervisionate downstream, come la classificazione o la regressione.
Object2Vec generalizza la nota tecnica di incorporamento Word2Vec per le parole ottimizzata nell'intelligenza artificiale. SageMaker BlazingText algoritmo Per un post sul blog che spiega come applicare Object2Vec ad alcuni casi d'uso pratici, consulta Introduzione ad Amazon AI
Argomenti
- Interfaccia di I/O per l'algoritmo Object2Vec
- EC2Istanza consigliata per l'algoritmo Object2Vec
- Notebook di esempio di Object2Vec
- Come funziona Object2Vec
- Iperparametri Object2Vec
- Ottimizzazione di un modello Object2Vec
- Formato dei dati per l’addestramento Object2Vec
- Formati dei dati per l'inferenza Object2Vec
- Incorporamenti del codificatore per Object2Vec
Interfaccia di I/O per l'algoritmo Object2Vec
Puoi utilizzare Object2Vec su diversi tipi di dati di input, come negli esempi seguenti:
| Tipo di dati di input | Esempio |
|---|---|
|
Coppie frase-frase |
"Una partita di calcio con più maschi che giocano". e "Alcuni uomini praticano uno sport". |
|
Coppie etichette-sequenza |
I tag di genere del film "Titanic", ad esempio "Romantico" e "Drammatico", e la sua descrizione breve: "Titanic di James Cameron è un film epico, romantico e d'azione ambientato durante lo sfortunato viaggio inaugurale dell'R.M.S. Titanic. Era il transatlantico più lussuoso della sua epoca, una nave dei sogni, che alla fine ha portato alla morte oltre 1.500 persone nelle acque ghiacciate dell'Atlantico del Nord nelle prime ore del 15 aprile 1912". |
|
Coppie cliente-cliente |
ID cliente di Jane e ID cliente di Jackie. |
|
Coppie prodotto-prodotto |
ID prodotto del calcio e ID prodotto del basket. |
|
Coppie utente revisione elemento-elemento |
ID di un utente e degli articoli che ha acquistato, ad esempio mela, pera e arancia. |
Per trasformare i dati di input nei formati supportati, è necessario pre-elaborarli. Attualmente, Object2Vec supporta due tipi di input in modo nativo:
-
Un token discreto, rappresentato come elenco di un singolo
integer-id. Ad esempio[10]. -
Sequenze di token discreti, rappresentati come elenchi di
integer-ids. Ad esempio[0,12,10,13].
L'oggetto in ciascuna coppia può essere asimmetrico. Ad esempio, le coppie possono essere (token, sequenza) o (token, token) o (sequenza, sequenza). Per gli input token, l'algoritmo supporta gli incorporamenti semplici come codificatori compatibili. Per le sequenze di vettori di token, l'algoritmo supporta come codificatori:
-
Incorporamenti a pool medio
-
Reti neurali convoluzionali gerarchiche (), CNNs
-
Memoria bidirezionale a lungo termine multistrato (B) iLSTMs
L'etichetta di input per ogni coppia può essere una delle seguenti:
-
Un'etichetta categorica che esprime la relazione tra gli oggetti nella coppia
-
Un punteggio che esprime la forza della somiglianza tra i due oggetti
Per le etichette di categoria utilizzate nella classificazione, l'algoritmo supporta la funzione di perdita di entropia incrociata. Per le etichette basate su classificazioni/punteggi utilizzate nella regressione, l'algoritmo supporta la funzione di perdita dell'errore quadratico medio (). MSE Specifica le funzioni di perdita con l'iperparametro output_layer durante il processo di addestramento del modello.
EC2Istanza consigliata per l'algoritmo Object2Vec
Il tipo di istanza Amazon Elastic Compute Cloud (AmazonEC2) che usi dipende dal fatto che tu stia addestrando o eseguendo inferenze.
Quando addestrate un modello utilizzando l'algoritmo Object2Vec su un'istanzaCPU, iniziate con un'istanza ml.m5.2xlarge. Per l'addestramento su un'istanza ml.p2.xlarge, iniziate con un'istanza ml.p2.xlarge. GPU Se l'addestramento richiede troppo tempo su questa istanza, puoi usare un'istanza maggiore. Al momento, l'algoritmo Object2Vec può eseguire l'addestramento solo su un singolo computer. Tuttavia, offre supporto per più utenti. GPUs Object2Vec supporta le famiglie di istanze P2, P3, G4dn e G5 per l'addestramento e l'inferenza. GPU
Per l'inferenza con un modello Object2Vec addestrato dotato di una rete neurale profonda, consigliamo di utilizzare l'istanza ml.p3.2xlarge. GPU A causa della scarsità di GPU memoria, è possibile specificare la variabile di INFERENCE_PREFERRED_MODE ambiente per ottimizzare il caricamento della rete o di inferenza. GPUottimizzazione: classificazione o regressione GPUottimizzazione: Encoder Embeddings GPU
Notebook di esempio di Object2Vec
Nota
Per eseguire notebook su un'istanza del notebook, consulta Accedi a taccuini di esempio. Per eseguire i notebook su Studio, consulta Crea o apri un notebook Amazon SageMaker Studio Classic.
