Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Format data umum untuk inferensi
Algoritma Amazon SageMaker AI menerima dan menghasilkan beberapa jenis MIME yang berbeda untuk muatan HTTP yang digunakan dalam mengambil prediksi online dan mini-batch. Anda dapat menggunakan beberapa AWS layanan untuk mengubah atau memproses catatan sebelum menjalankan inferensi. Minimal, Anda perlu mengonversi data untuk yang berikut:
+ Serialisasi permintaan inferensi (ditangani oleh Anda)
+ Deserialisasi permintaan inferensi (ditangani oleh algoritma)
+ Serialisasi respons inferensi (ditangani oleh algoritme)
+ Deserialisasi respons inferensi (ditangani oleh Anda)
**Topics**
+ [Mengkonversi data untuk serialisasi permintaan inferensi](#ir-serialization)
+ [Konversi data untuk deserialisasi respons inferensi](#ir-deserialization)
+ [Format permintaan umum untuk semua algoritme](#common-in-formats)
+ [Gunakan transformasi batch dengan algoritme bawaan](#cm-batch)
## Mengkonversi data untuk serialisasi permintaan inferensi
Opsi jenis konten untuk permintaan inferensi algoritme Amazon SageMaker AI meliputi:`text/csv`,`application/json`, dan`application/x-recordio-protobuf`. Algoritma yang tidak mendukung semua jenis ini dapat mendukung jenis lain. XGBoost, misalnya, hanya mendukung `text/csv` dari daftar ini, tetapi juga mendukung`text/libsvm`.
Untuk`text/csv`, nilai argumen Body `invoke_endpoint` harus berupa string dengan koma yang memisahkan nilai untuk setiap fitur. Misalnya, rekaman untuk model dengan empat fitur mungkin terlihat seperti`1.5,16.0,14,23.0`. Setiap transformasi yang dilakukan pada data pelatihan juga harus dilakukan pada data sebelum mendapatkan inferensi. Urutan fitur penting dan harus tetap tidak berubah.
`application/json`lebih fleksibel dan menyediakan beberapa format yang mungkin bagi pengembang untuk digunakan dalam aplikasi mereka. Pada tingkat tinggi, di JavaScript, payload mungkin terlihat seperti berikut:
```
let request = {
// Instances might contain multiple rows that predictions are sought for.
"instances": [
{
// Request and algorithm specific inference parameters.
"configuration": {},
// Data in the specific format required by the algorithm.
"data": {
"": dataElement
}
}
]
}
```
Anda memiliki opsi berikut untuk menentukan: `dataElement`
**Protokol buffer setara**
```
// Has the same format as the protocol buffers implementation described for training.
let dataElement = {
"keys": [],
"values": [],
"shape": []
}
```
**vektor numerik sederhana**
```
// An array containing numeric values is treated as an instance containing a
// single dense vector.
let dataElement = [1.5, 16.0, 14.0, 23.0]
// It will be converted to the following representation by the SDK.
let converted = {
"features": {
"values": dataElement
}
}
```
**Untuk beberapa catatan**
```
let request = {
"instances": [
// First instance.
{
"features": [ 1.5, 16.0, 14.0, 23.0 ]
},
// Second instance.
{
"features": [ -2.0, 100.2, 15.2, 9.2 ]
}
]
}
```
## Konversi data untuk deserialisasi respons inferensi
Algoritma Amazon SageMaker AI mengembalikan JSON dalam beberapa tata letak. Pada tingkat tinggi, strukturnya adalah:
```
let response = {
"predictions": [{
// Fields in the response object are defined on a per algorithm-basis.
}]
}
```
Bidang yang disertakan dalam prediksi berbeda di seluruh algoritme. Berikut ini adalah contoh output untuk algoritma k-means.
**Inferensi rekor tunggal**
```
let response = {
"predictions": [{
"closest_cluster": 5,
"distance_to_cluster": 36.5
}]
}
```
**Inferensi multi-rekam**
```
let response = {
"predictions": [
// First instance prediction.
{
"closest_cluster": 5,
"distance_to_cluster": 36.5
},
// Second instance prediction.
{
"closest_cluster": 2,
"distance_to_cluster": 90.3
}
]
}
```
**Inferensi multi-rekam dengan input protobuf**
```
{
"features": [],
"label": {
"closest_cluster": {
"values": [ 5.0 ] // e.g. the closest centroid/cluster was 1.0
},
"distance_to_cluster": {
"values": [ 36.5 ]
}
},
"uid": "abc123",
"metadata": "{ "created_at": '2017-06-03' }"
}
```
SageMaker Algoritma AI juga mendukung format JSONLINES, di mana konten respons per rekaman sama dengan format JSON. Struktur multi-record adalah kumpulan objek respons per rekaman yang dipisahkan oleh karakter baris baru. Konten respons untuk KMeans algoritme bawaan untuk 2 titik data input adalah:
```
{"distance_to_cluster": 23.40593910217285, "closest_cluster": 0.0}
{"distance_to_cluster": 27.250282287597656, "closest_cluster": 0.0}
```
Saat menjalankan transformasi batch, kami merekomendasikan menggunakan tipe `jsonlines` respons dengan menyetel `Accept` bidang di `CreateTransformJobRequest` to`application/jsonlines`.
## Format permintaan umum untuk semua algoritme
Sebagian besar algoritma menggunakan banyak format permintaan inferensi berikut.
### Format permintaan JSON
**Jenis konten:** Aplikasi/JSON
**Format padat**
```
let request = {
"instances": [
{
"features": [1.5, 16.0, 14.0, 23.0]
}
]
}
let request = {
"instances": [
{
"data": {
"features": {
"values": [ 1.5, 16.0, 14.0, 23.0]
}
}
}
]
}
```
**Format jarang**
```
{
"instances": [
{"data": {"features": {
"keys": [26, 182, 232, 243, 431],
"shape": [2000],
"values": [1, 1, 1, 4, 1]
}
}
},
{"data": {"features": {
"keys": [0, 182, 232, 243, 431],
"shape": [2000],
"values": [13, 1, 1, 4, 1]
}
}
},
]
}
```
### Format permintaan JSONLINES
**Jenis konten:** Aplikasi/JSONLines
**Format padat**
Sebuah catatan tunggal dalam format padat dapat direpresentasikan sebagai:
```
{ "features": [1.5, 16.0, 14.0, 23.0] }
```
atau:
```
{ "data": { "features": { "values": [ 1.5, 16.0, 14.0, 23.0] } }
```
**Format Jarang**
Sebuah catatan tunggal dalam format jarang direpresentasikan sebagai:
```
{"data": {"features": { "keys": [26, 182, 232, 243, 431], "shape": [2000], "values": [1, 1, 1, 4, 1] } } }
```
Beberapa catatan direpresentasikan sebagai kumpulan representasi rekaman tunggal, dipisahkan oleh karakter baris baru:
```
{"data": {"features": { "keys": [0, 1, 3], "shape": [4], "values": [1, 4, 1] } } }
{ "data": { "features": { "values": [ 1.5, 16.0, 14.0, 23.0] } }
{ "features": [1.5, 16.0, 14.0, 23.0] }
```
### Format permintaan CSV
**Jenis konten:** teks/CSV; label\_size = 0
**catatan**
Dukungan CSV tidak tersedia untuk mesin faktorisasi.
### Format permintaan RECORDIO
Jenis konten: aplikasi/ x-recordio-protobuf
## Gunakan transformasi batch dengan algoritme bawaan
Saat menjalankan transformasi batch, sebaiknya gunakan tipe respons JSONLINES alih-alih JSON, jika didukung oleh algoritme. Untuk melakukan ini, atur `Accept` bidang `CreateTransformJobRequest` ke`application/jsonlines`.
Ketika Anda membuat pekerjaan transformasi, `SplitType` harus diatur berdasarkan data input. `ContentType` Demikian pula, tergantung pada `Accept` bidang di`CreateTransformJobRequest`, `AssembleWith` harus diatur sesuai. Gunakan tabel berikut untuk mengatur bidang ini:
| ContentType | Direkomendasikan SplitType |
| --- | --- |
| application/x-recordio-protobuf | RecordIO |
| text/csv | Line |
| application/jsonlines | Line |
| application/json | None |
| application/x-image | None |
| image/\* | None |
| Menerima | Direkomendasikan AssembleWith |
| --- | --- |
| application/x-recordio-protobuf | None |
| application/json | None |
| application/jsonlines | Line |
Untuk informasi selengkapnya tentang format respons untuk algoritme tertentu, lihat berikut ini:
+ [Format Inferensi DeepAR](deepar-in-formats.md)
+ [Format Respon Mesin Faktorisasi](fm-in-formats.md)
+ [Format Data Inferensi Wawasan IP](ip-insights-inference-data-formats.md)
+ [Format Respons K-Means](km-in-formats.md)
+ [Format Permintaan dan Respons K-nn](kNN-inference-formats.md)
+ [Format respons pelajar linier](LL-in-formats.md)
+ [Format Respons NTM](ntm-in-formats.md)
+ [Format Data untuk Inferensi Object2Vec](object2vec-inference-formats.md)
+ [Embeddings Encoder untuk Object2Vec](object2vec-encoder-embeddings.md)
+ [Format Respons PCA](PCA-in-formats.md)
+ [Format Respons RCF](rcf-in-formats.md)