Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Imagine que você esteja desenvolvendo um aplicativo de recomendação de alimentos, em que
os usuários inserem suas refeições favoritas, e o aplicativo sugere refeições semelhantes
de que eles podem gostar. Você quer desenvolver um modelo de machine learning (ML)
que pode prever a similaridade alimentar, para que seu aplicativo possa fazer
recomendações ("Como você gosta de panquecas, recomendamos crepes").
Para treinar o modelo, você seleciona um conjunto de dados de 5.000
refeições, incluindo borscht,
cachorro-quente,
salada,
pizza,
e shawarma.
Figura 1. Amostragem de refeições incluídas no conjunto de dados de alimentos.
Você cria um recurso meal que contém um
codificação one-hot
representação de cada item das refeições no conjunto de dados.
Figura 2. Codificações one-hot de borscht, cachorro-quente e shawarma.
Cada vetor de codificação one-hot tem um comprimento de 5.000 (uma entrada para cada
no conjunto de dados). As reticências no diagrama representam
as 4.995 entradas não mostradas.
Dificuldades das representações de dados esparsos
Ao analisar essas codificações one-hot, você percebe dois problemas importantes
representação visual dos dados.
Número de pesos. Vetores de entrada grandes significam um grande número de
pesos
para uma rede neural.
Com entradas M em sua codificação one-hot e N
na primeira camada da rede após a entrada, o modelo precisa treinar
pesos MxN para essa camada. Um grande número de pesos causa mais problemas:
Número de pontos de dados. Quanto mais pesos no seu modelo, mais dados você
para treinar com eficácia.
Quantidade de computação. Quanto mais pesos, mais computação é necessária
para treinar e usar o modelo. É fácil exceder os recursos das
ao hardware.
Quantidade de memória. Quanto mais pesos no modelo, mais memória
é necessária nos aceleradores que o treinam e a disponibilizam. escalonando verticalmente
com eficiência é muito difícil.
Dificuldade de suporte
aprendizado de máquina no dispositivo (ODML).
Se você espera executar seu modelo de ML em dispositivos locais (em vez de disponibilizar
com elas), se concentre em diminuir o tamanho do modelo e
para diminuir o número de pesos.
Falta de relações significativas entre vetores. Os valores vetoriais na
as codificações one-hot para alimentos não fornecem informações significativas sobre a
similaridade de alimentos. Matematicamente, o índice 1 ("cachorro-quente") é
mais próximo do índice 2 ("salad") do que do índice 4999 ("shawarma"), mesmo que
cachorro é mais parecido com shawarma (com carne e pão) do que com salada.
Neste módulo, você vai aprender a criar embeddings, componentes
representações de dados esparsos, que abordam esses dois problemas.
[[["Fácil de entender","easyToUnderstand","thumb-up"],["Meu problema foi resolvido","solvedMyProblem","thumb-up"],["Outro","otherUp","thumb-up"]],[["Não contém as informações de que eu preciso","missingTheInformationINeed","thumb-down"],["Muito complicado / etapas demais","tooComplicatedTooManySteps","thumb-down"],["Desatualizado","outOfDate","thumb-down"],["Problema na tradução","translationIssue","thumb-down"],["Problema com as amostras / o código","samplesCodeIssue","thumb-down"],["Outro","otherDown","thumb-down"]],["Última atualização 2024-08-13 UTC."],[[["This module explains how to create embeddings, which are lower-dimensional representations of sparse data that address the problems of large input vectors and lack of meaningful relations between vectors in one-hot encoding."],["One-hot encoding creates large input vectors, leading to a huge number of weights in a neural network, requiring more data, computation, and memory."],["One-hot encoding vectors lack meaningful relationships, failing to capture semantic similarities between items, like the example of hot dogs and shawarmas being more similar than hot dogs and salads."],["Embeddings offer a solution by providing dense vector representations that capture semantic relationships and reduce the dimensionality of data, improving efficiency and performance in machine learning models."],["This module assumes familiarity with introductory machine learning concepts like linear regression, categorical data, and neural networks."]]],[]]
![Figura 2. Topo: uma visualização da codificação one-hot para borscht.
O vetor [1, 0, 0, 0, ..., 0] é exibido acima de seis caixas,
cada uma alinhada à esquerda
para a direita por um dos números vetoriais. As caixas, da esquerda para a direita
conter as seguintes imagens: borscht, cachorro-quente, salada, pizza, [vazio],
shawarma. Meio: uma visualização da codificação one-hot para o cachorro-quente.
O vetor [0, 1, 0, 0, ..., 0] é exibido acima de seis caixas, cada
alinhada da esquerda para a direita por um dos números vetoriais. As caixas têm
as mesmas imagens da esquerda para a direita da visualização de Borscht.
acima. Embaixo: visualização da codificação one-hot do shawarma. O
vetor [0, 0, 0, 0, ..., 1] é exibido acima de seis caixas, cada uma alinhada
da esquerda para a direita por um dos números vetoriais. As caixas têm
da esquerda para a direita, são as mesmas imagens
do borscht e do cachorro-quente.
e visualizações de dados.](https://developers.google.com/static/machine-learning/crash-course/embeddings/images/food_images_one_hot_encodings.png?authuser=2&hl=pt-br)