Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Amazon Titan Embeddings G1 - Text
Titan Embeddings G1 - Text no admite el uso de parámetros de inferencia. En las siguientes secciones se detallan los formatos de solicitud y respuesta y se proporciona un ejemplo de código.
**Topics**
+ [Solicitud y respuesta](#model-parameters-titan-embed-text-request-response)
+ [Código de ejemplo](#api-inference-examples-titan-embed-text)
## Solicitud y respuesta
El cuerpo de la solicitud se pasa al campo `body` de una solicitud [InvokeModel](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_runtime_InvokeModel.html).
------
#### [ V2 Request ]
El parámetro inputText es obligatorio. Los parámetros de la normalización y las dimensiones son opcionales.
+ inputText: introduzca texto para convertirlo en una incrustación.
+ normalize (opcional): indicador que especifica si se debe normalizar o no la incrustación de salida. El valor predeterminado es true (verdadero).
+ dimensions (opcional): el número de dimensiones que debe tener la incrustación de salida. Se aceptan los siguientes valores: 1024 (predeterminado), 512, 256.
+ embeddingTypes: (opcional) acepta una lista que contenga “float”, “binary” o ambos. El valor predeterminado es `float`.
```
{
"inputText": string,
"dimensions": int,
"normalize": boolean,
"embeddingTypes": list
}
```
------
#### [ V2 Response ]
Los campos se describen a continuación.
+ embedding: matriz que representa el vector de incrustación de la entrada que ha proporcionado. Siempre será del tipo `float`.
+ inputTextTokenCount: número de tokens de la entrada.
+ embeddingsByType: diccionario o mapa de la lista de incrustaciones. Según la entrada, muestra “float”, “binary” o ambos.
+ Ejemplo:: `"embeddingsByType": {"binary": [int,..], "float": [float,...]}`
+ Este campo aparecerá siempre. Incluso si no especifica `embeddingTypes` en la entrada, seguirá apareciendo “float”. Ejemplo:: `"embeddingsByType": {"float": [float,...]}`
```
{
"embedding": [float, float, ...],
"inputTextTokenCount": int,
"embeddingsByType": {"binary": [int,..], "float": [float,...]}
}
```
------
#### [ G1 Request ]
El único campo disponible es `inputText` y en él puede incluir texto para convertirlo en una incrustación.
```
{
"inputText": string
}
```
------
#### [ G1 Response ]
El `body` de la respuesta contiene los siguientes campos.
```
{
"embedding": [float, float, ...],
"inputTextTokenCount": int
}
```
Los campos se describen a continuación.
+ **embedding**: matriz que representa el vector de incrustación de la entrada que ha proporcionado.
+ **inputTextTokenCount**: número de tokens de la entrada.
------
## Código de ejemplo
Los siguientes ejemplos muestran cómo llamar a los modelos de incrustación de Amazon Titan para generar incrustaciones. Seleccione la pestaña correspondiente al modelo que esté utilizando:
------
#### [ Amazon Titan Embeddings G1 - Text ]
```
# Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved.
# SPDX-License-Identifier: Apache-2.0
"""
Shows how to generate an embedding with the Amazon Titan Embeddings G1 - Text model (on demand).
"""
import json
import logging
import boto3
from botocore.exceptions import ClientError
logger = logging.getLogger(__name__)
logging.basicConfig(level=logging.INFO)
def generate_embedding(model_id, body):
"""
Generate an embedding with the vector representation of a text input using Amazon Titan Embeddings G1 - Text on demand.
Args:
model_id (str): The model ID to use.
body (str) : The request body to use.
Returns:
response (JSON): The embedding created by the model and the number of input tokens.
"""
logger.info("Generating an embedding with Amazon Titan Embeddings G1 - Text model %s", model_id)
bedrock = boto3.client(service_name='bedrock-runtime')
accept = "application/json"
content_type = "application/json"
response = bedrock.invoke_model(
body=body, modelId=model_id, accept=accept, contentType=content_type
)
response_body = json.loads(response.get('body').read())
return response_body
def main():
"""
Entrypoint for Amazon Titan Embeddings G1 - Text example.
"""
logging.basicConfig(level=logging.INFO,
format="%(levelname)s: %(message)s")
model_id = "amazon.titan-embed-text-v1"
input_text = "What are the different services that you offer?"
# Create request body.
body = json.dumps({
"inputText": input_text,
})
try:
response = generate_embedding(model_id, body)
print(f"Generated an embedding: {response['embedding']}")
print(f"Input Token count: {response['inputTextTokenCount']}")
except ClientError as err:
message = err.response["Error"]["Message"]
logger.error("A client error occurred: %s", message)
print("A client error occured: " +
format(message))
else:
print(f"Finished generating an embedding with Amazon Titan Embeddings G1 - Text model {model_id}.")
if __name__ == "__main__":
main()
```
------
#### [ Amazon Titan Text Embeddings V2 ]
Cuando se usa Titan Text Embeddings V2, el campo `embedding` no está en la respuesta si `embeddingTypes` solo contiene `binary`.
```
# Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved.
# SPDX-License-Identifier: Apache-2.0
"""
Shows how to generate an embedding with the Amazon Titan Text Embeddings V2 Model
"""
import json
import logging
import boto3
from botocore.exceptions import ClientError
logger = logging.getLogger(__name__)
logging.basicConfig(level=logging.INFO)
def generate_embedding(model_id, body):
"""
Generate an embedding with the vector representation of a text input using Amazon Titan Text Embeddings G1 on demand.
Args:
model_id (str): The model ID to use.
body (str) : The request body to use.
Returns:
response (JSON): The embedding created by the model and the number of input tokens.
"""
logger.info("Generating an embedding with Amazon Titan Text Embeddings V2 model %s", model_id)
bedrock = boto3.client(service_name='bedrock-runtime')
accept = "application/json"
content_type = "application/json"
response = bedrock.invoke_model(
body=body, modelId=model_id, accept=accept, contentType=content_type
)
response_body = json.loads(response.get('body').read())
return response_body
def main():
"""
Entrypoint for Amazon Titan Embeddings V2 - Text example.
"""
logging.basicConfig(level=logging.INFO,
format="%(levelname)s: %(message)s")
model_id = "amazon.titan-embed-text-v2:0"
input_text = "What are the different services that you offer?"
# Create request body.
body = json.dumps({
"inputText": input_text,
"embeddingTypes": ["binary"]
})
try:
response = generate_embedding(model_id, body)
print(f"Generated an embedding: {response['embeddingsByType']['binary']}") # returns binary embedding
print(f"Input text: {input_text}")
print(f"Input Token count: {response['inputTextTokenCount']}")
except ClientError as err:
message = err.response["Error"]["Message"]
logger.error("A client error occurred: %s", message)
print("A client error occured: " +
format(message))
else:
print(f"Finished generating an embedding with Amazon Titan Text Embeddings V2 model {model_id}.")
if __name__ == "__main__":
main()
```
------