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.
Algoritmo Object2Vec
El algoritmo Object2Vec de Amazon SageMaker AI es un algoritmo de incrustación neuronal de uso general que es altamente personalizable. Puede aprender integraciones densas de baja dimensionalidad de objetos de alta dimensionalidad. Las integraciones se aprenden de tal forma que conservan la semántica de la relación entre pares de objetos en el espacio original, en el espacio de integración. Puede utilizar las integraciones aprendidas, por ejemplo, para calcular de forma eficaz los vecinos más próximos de objetos y para visualizar clústeres naturales de objetos relacionados en espacio de baja dimensionalidad. También puede utilizar las integraciones como características de los objetos correspondientes en las tareas supervisadas posteriores, como, por ejemplo, clasificación o regresión.
Object2Vec generaliza la conocida técnica de incrustación de palabras de Word2Vec, que está optimizada en la IA. SageMaker BlazingText algoritmo Para ver una entrada de blog en la que se explica cómo aplicar Object2Vec a algunos casos de uso prácticos, consulte Introducción a Amazon SageMaker
I/O Interfaz para el algoritmo Object2Vec
Puede utilizar Object2Vec en varios tipos de datos de entrada, incluidos los ejemplos siguientes:
| Tipo de datos de entrada | Ejemplo |
|---|---|
|
Sentence-sentence pares |
“Un partido de fútbol con varios hombres jugando”. y “Algunos hombres practicando deporte”. |
|
Labels-sequence pares |
Las etiquetas de género de la película «Titanic», como «Romance» y «Drama», y su breve descripción: «El Titanic de James Cameron es un romance épico y lleno de acción ambientado en el desafortunado viaje inaugural del. R.M.S Titanic. Fue el navío más lujoso de su época, un barco de ensueño, que acabó llevando a más de 1500 personas a su muerte en las aguas heladas del Atlántico Norte, en la madrugada del 15 de abril de 1912". |
|
Customer-customer parejas |
El ID de cliente Jane y el ID de cliente de Jackie. |
|
Product-product pares |
El ID de producto de fútbol americano e ID de producto de baloncesto. |
|
Pares de revisión de elemento-elemento de usuario |
El ID de un usuario y los productos que ha comprado como, por ejemplo, manzanas, peras y naranjas. |
Para transformar los datos de entrada en los formatos admitidos, debe preprocesarlos. Actualmente, Object2Vec admite nativamente dos tipos de entradas:
-
Un token discreto, que se representa como una lista de un único
integer-id. Por ejemplo,[10]. -
Una secuencia de tokens discretos, que se representa como una lista de
integer-ids. Por ejemplo,[0,12,10,13].
El objeto en cada par puede ser asimétrico. Por ejemplo, los pares pueden ser (token, secuencia) o (token, token) o (secuencia, secuencia). Para las entradas de token, el algoritmo admite integraciones simples como codificadores compatibles. Para secuencias de vectores de token, el algoritmo admite lo siguiente como codificadores:
-
Average-pooled incrustaciones
-
Redes neuronales convolucionales jerárquicas (CNNs),
-
Multi-layered memoria bidireccional a largo plazo (BilSTMS)
La etiqueta de entrada de cada par puede ser una de las siguientes:
-
Una etiqueta categórica que expresa la relación entre los objetos del par.
-
Una puntuación que expresa el grado de la similitud entre los dos objetos.
Para etiquetas categóricas usadas en clasificación, el algoritmo soporta la función de pérdida entropía cruzada. En el ratings/score caso de las etiquetas basadas en la regresión, el algoritmo admite la función de pérdida por error cuadrático medio (MSE). Especifique estas funciones de pérdida con el hiperparámetro output_layer al crear el trabajo de capacitación de modelo.
Recomendación de la instancia EC2 para el algoritmo Object2Vec
El tipo de instancia Amazon Elastic Compute Cloud (Amazon EC2) que utilice dependerá de si está entrenando o ejecutando inferencias.
Cuando capacite un modelo mediante el algoritmo Object2Vec en una CPU, comience por una instancia ml.m5.2xlarge. Para capacitaciones en una GPU, comience por una instancia ml.p2.xlarge. Si el entrenamiento dura demasiado en esta instancia, puede usar una instancia más grande. En la actualidad, el algoritmo Object2Vec solo puede entrenar en una máquina. Sin embargo, ofrece soporte para varias GPUs. El algoritmo Object2Vec admite las familias de instancias de GPU P2, P3, G4dn y G5 para el entrenamiento y la inferencia.
Para la inferencia con un modelo Object2Vec que tiene una red neuronal profunda, recomendamos que se use la instancia de GPU ml.p3.2xlarge. Debido a la escasez de memoria de GPU, la variable de entorno INFERENCE_PREFERRED_MODE se puede especificar para su optimización en cuanto a si la red de inferencia Optimización de GPU: clasificación o regresión o Optimización de GPU: integraciones de codificador se carga en GPU.
Cuadernos de ejemplo de Object2Vec
