本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
Object2Vec 算法
Amazon SageMaker 算法是高度可自定义的通用神经嵌入算法。Object2Vec它可以学习高维对象的低维密集嵌入。将以某种方式学习嵌入，以便在嵌入空间中保留原始空间中的对象对之间的关系语义。例如，您可以使用学到的嵌入有效地计算对象的最近邻点，以及可视化低维空间中的相关对象的自然聚类。您还可以将嵌入用作下游指导式任务中相应对象的功能，例如分类或回归。
Object2Vec 归纳了在 Word2Vec SageMaker 中优化的知名 BlazingText 算法 嵌入技术。有关讨论如何将 Object2Vec 应用于一些实际使用案例的博客文章，请参阅 Amazon SageMaker 简介Object2Vec。
主题
算法的 I/O 接口Object2Vec
您可以对许多输入数据类型使用 Object2Vec，包括以下示例。
| 输入数据类型 | 示例 |
|---|---|
|
语句-语句对 |
“A soccer game with multiple males playing.” 和“有些男性正在玩运动。” |
|
标签-序列对 |
电影“Titanic”（例如“Romance”和“Drama”）的流派标签及其简短描述：“James Camer 的 Titanic 是针对 R.M.S. Titanic 的不连贯 Maiden 历程设置的。She was the most luxurious liner of her era, a ship of dreams, which ultimately carried over 1,500 people to their death in the ice cold waters of the North Atlantic in the early hours of April 15, 1912.” |
|
客户-客户对 |
Jane 的客户 ID 和 Jackie 的客户 ID。 |
|
产品-产品对 |
足球的产品 ID 和篮球的产品 ID。 |
|
项审查用户-项对 |
用户的 ID 以及她购买的商品，例如苹果、梨和橙子。 |
要将输入数据转换为支持的格式，必须对其进行预处理。目前，Object2Vec 本身支持两种类型的输入：
-
离散令牌，它表示为单个
integer-id的列表。 例如，[10]。 -
离散标记序列，它表示为
integer-ids列表。 例如，[0,12,10,13]。
每个对中的对象可以是不对称的。例如，这些对可以是 (标记, 序列)、(标记, 标记) 或 (序列, 序列)。对于标记输入，该算法支持简单嵌入作为兼容编码器。对于标记向量序列，该算法支持以下编码器：
-
平均池化嵌入
-
分层卷积神经网络 (CNN)
-
多层双向长短期记忆 (BiLSTM)
每个对的输入标签可以是以下内容之一：
-
分类标签，表示对中的对象之间的关系
-
分数，表示两个对象之间的相似性强度
对于分类中使用的分类标签，该算法支持交叉熵损失函数。对于回归中使用的基于评级/分数的标签，该算法支持均方误差 (MSE) 损失函数。在创建模型训练作业时，请使用 output_layer 超参数指定这些损失函数。
算法的 EC2 实例建议Object2Vec
您使用的 Amazon Elastic Compute Cloud (Amazon EC2) 实例的类型取决于是训练还是运行推理。
用于训练的实例建议
在 CPU 上使用 Object2Vec 算法训练模型时，请从 ml.m5.2xlarge 实例开始。要在 GPU 上进行训练，请从 ml.p2.xlarge 实例开始。如果此实例上的训练时间太长，您可以使用更大的实例，例如 ml.m5.4xlarge 或 ml.m5.12xlarge 实例。目前， 算法只能在单个机器上训练。Object2Vec但是，它确实提供对多个 GPUs 的支持。
用于推理的实例建议
对于使用具有深度神经网络的训练后的 Object2Vec 模型的推理，我们建议使用 ml.p3.2xlarge GPU 实例。由于 GPU 内存稀缺，可以指定 INFERENCE_PREFERRED_MODE 环境变量来优化是将 GPU 优化：分类或回归还是将 GPU 优化：编码器嵌入推理网络加载到 GPU 中。
Object2Vec 示例笔记本
要在笔记本实例上运行笔记本，请参阅示例笔记本。要在 Studio 上运行笔记本，请参阅创建或打开 Amazon SageMaker Studio 笔记本。