As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Amazon Titan Embeddings G1 - Text
<a name="model-parameters-titan-embed-text"></a>

O Titan Embeddings G1 - Text não permite o uso de parâmetros de inferência. As seções a seguir detalham os formatos de solicitação e de resposta e fornecem um exemplo de código.

**Topics**
+ [Solicitação e reposta](#model-parameters-titan-embed-text-request-response)
+ [Código de exemplo](#api-inference-examples-titan-embed-text)

## Solicitação e reposta
<a name="model-parameters-titan-embed-text-request-response"></a>

O corpo da solicitação é enviado no campo `body` de uma solicitação [InvokeModel](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_runtime_InvokeModel.html). 

------
#### [ V2 Request ]

O parâmetro inputText é necessário. Os parâmetros de normalização e de dimensões são opcionais.
+ inputText: inserção do texto a ser convertido em incorporações.
+ normalize: (opcional) sinalizador que indica se as incorporações de saída devem ou não ser normalizadas. O valor padrão é verdadeiro.
+ dimensions: (opcional) o número de dimensões que as incorporações de saída devem ter. Os seguintes valores são aceitos: 1.024 (padrão), 512, 256.
+ embeddingTypes: (opcional) aceita uma lista contendo “float”, “binary” ou ambos. O padrão é `float`. 

```
{
    "inputText": string,
    "dimensions": int,
    "normalize": boolean,
    "embeddingTypes": list
}
```

------
#### [ V2 Response ]

Os campos são descritos abaixo.
+ embedding: uma matriz que representa o vetor de incorporação da entrada fornecida. O tipo sempre será `float`.
+ inputTextTokenCount: o número de tokens na entrada.
+ embeddingsByType: um dicionário ou mapa da lista de incorporação. Depende da entrada, listas “float”, “binary” ou ambas.
  + Exemplo: `"embeddingsByType": {"binary": [int,..], "float": [float,...]}`
  + Esse campo sempre aparecerá. Mesmo que você não especifique `embeddingTypes` na entrada, ainda haverá “float”. Exemplo: `"embeddingsByType": {"float": [float,...]}`

```
{
    "embedding": [float, float, ...],
    "inputTextTokenCount": int,
    "embeddingsByType": {"binary": [int,..], "float": [float,...]}
}
```

------
#### [ G1 Request ]

O único campo disponível é `inputText`, no qual você pode incluir texto para converter em uma incorporação.

```
{
    "inputText": string
}
```

------
#### [ G1 Response ]

O `body` da resposta contém os campos a seguir.

```
{
    "embedding": [float, float, ...],
    "inputTextTokenCount": int
}
```

Os campos são descritos abaixo.
+ **embedding**: uma matriz que representa o vetor de incorporação da entrada fornecida.
+ **inputTextTokenCount**: o número de tokens na entrada.

------

## Código de exemplo
<a name="api-inference-examples-titan-embed-text"></a>

Os exemplos a seguir mostram como chamar modelos de incorporação do Amazon Titan para gerar incorporação. Selecione a guia que corresponde ao modelo que você está usando:

------
#### [ Amazon Incorporador do Titan 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 Incorporador de Texto do Titan v2 ]

Ao usar o Titan Text Embeddings V2, o campo `embedding` não estará na resposta se o `embeddingTypes` contiver apenas `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()
```

------