הטמעה היא מאוד נמוך יחסית, שאליו אפשר לתרגם בווקטורים גדולים של ממדים. לדיון על השוואה בין ממדים גבוהים לנתונים ברמת ממדים נמוכים, אפשר לעיין בקטע נתונים של מודל טרנספורמר.
הטמעות מקלות על ביצוע למידת מכונה במודלים גדולים של שפה וקטורים של מאפיינים, כי הווקטורים הדלילים שמייצגים את פריטי הארוחות שמוזכרים הקטע הקודם. באופן אידיאלי, הטמעה מתעדת חלק הסמנטיקה של הקלט באמצעות הצבת קלטים דומים יותר במשמעות יחד בסביבת ההטמעה. לדוגמה, הטמעה טובה תציב את המילה "מכונית" קרוב יותר אל 'מוסך' מאשר ל'פיל'. אפשר לאמן הטמעה ועושים בו שימוש חוזר במודלים שונים.
כדי לקבל מושג איך וקטורים של הטמעה מייצגים מידע, אחרי ייצוג חד-ממדי של המנות נקניקייה, פיצה, סלט, שווארמה, וגם בורשט, בסולם של "לפחות כמו כריך "יותר כמו כריך". 'כריכות' הוא המאפיין היחיד.
![איור 3. לאורך ציר כריכים, מהקטן ביותר עד לרוב:
בורשט, סלט, פיצה, נקניקייה, שווארמה.](https://developers.google.cn/static/machine-learning/crash-course/images/embeddings_1D.png?authuser=8&hl=he)
איפה בשורה הזו
apple strudel
נפילה? סביר להניח שניתן למקם אותו בין hot dog
לבין shawarma
. אבל תפוח
נראה של-שטרודל יש גם מימד נוסף של מתוק
האוכל) או הקינוח (עד כמה האוכל דומה לקינוח) שגורם
היא שונה מאוד מהאפשרויות האחרות. האיור הבא מדגים את זה
על ידי הוספת 'קינוח' מידות:
![איור 4. אותה תמונה כמו קודם, אבל עם ציר אנכי של
לקינוחים. שטרודל תפוחים נמצא בין נקניקייה לשווארמה, אבל גבוה
בציר האופקי, אבל במעלה ציר הקינוח.](https://developers.google.cn/static/machine-learning/crash-course/images/embeddings_2D.png?authuser=8&hl=he)
הטמעה מייצגת כל פריט בשטח ממדי של n עם n מספרים בעלי נקודה צפה (floating-point) (בדרך כלל בטווח 1-1 או 0 עד 1). לדוגמה, ההטמעה באיור 4 מייצגת כל ארוחה שטח דו-ממדי עם שתי קואורדינטות. את שם הפריט "Apple strudel" נמצא ב הריבוע הימני העליון של הגרף, ואפשר להקצות לו את הנקודה (0.5, 0.3), לעומת 'נקניקייה' נמצאת בריבוע הימני התחתון של הגרף ואפשר להקצות לו את הנקודה (0.2, –0.5).
בהטמעה, ניתן לחשב את המרחק בין שני פריטים כלשהם
מתמטית,
וניתן לפרש אותו כדמיון היחסי בין שני הסוגים
פריטים. שני דברים שקרובים זה לזה, כמו shawarma
ו-hot dog
באיור 4 יש קשר הדוק יותר משני דברים רחוקים יותר
אחר, כמו apple strudel
ו-borscht
.
שימו לב גם שבמרחב הדו-ממדי באיור 4, apple strudel
רחוק יותר
מ-shawarma
ומ-hot dog
מאשר במרחב הדו-ממדי, שתואם
אינטואיטיביות: apple strudel
לא דומה לנקניקייה או לשווארמה כמו נקניקייה
כלבים ושווארמות הם זה לזה.
עכשיו כדאי לקחת בחשבון את בורשט, שהוא הרבה יותר נוזלי משאר הפריטים. הזה מרמזת על מימד שלישי, נזילות (מידת הנוזליות של המזון). על ידי הוספת המאפיין הזה, ניתן להציג את הפריטים בתלת-ממד באופן הבא:
![איור 5. אותה תמונה כמו קודם, אבל עם ציר שלישי של נזילות
אורתוגונלית לשני הציר, ובורשט התקדם למרחק גדול לאורך הציר הזה.](https://developers.google.cn/static/machine-learning/crash-course/images/embeddings_3D.png?authuser=8&hl=he)
איפה במרחב התלת-ממדי הזה tangyuan go? זו כמו מרקים, כמו בורשט וקינוח מתוק, כמו שטרודל תפוחים, וכמובן ולא כריך. הנה מיקום אפשרי אחד:
![איור 6. זהה לתמונה הקודמת, אבל טנג'יואן ממוקמת במיקום גבוה
כמה קינוחים ונוזלים, או בלי כריכים.](https://developers.google.cn/static/machine-learning/crash-course/images/embeddings_3D_tangyuan.png?authuser=8&hl=he)
שימו לב כמה מידע מופיע בשלושת המאפיינים האלה. אפשר לדמיין מאפיינים נוספים, כמו שביעות רצון או אפייה.
מרחבי הטמעה בעולם האמיתי
כפי שראיתם בדוגמאות לאוכל שלמעלה, אפילו שטח רב-ממדי קטן החופש לקבץ יחד פריטים דומים מבחינה סמנטית פריטים שונים רחוקים זה מזה. המיקום (מרחק וכיוון) בווקטור החלל יכול לקודד סמנטיקה בהטמעה טובה. לדוגמה, של הטמעות אמיתיות שממחישות את הקשרים הגאומטריים בין המילים של מדינה לבין אותיות רישיות שלה. אפשר לראות שהמרחק מ"קנדה" אל "אוטווה" הוא בערך כמו המרחק מטורקיה אל "אנקרה".
מרחב הטמעה משמעותי עוזר למודל למידת מכונה לזהות דפוסים במהלך האימון.
פעילות גופנית
בתרגיל זה נשתמש בהטמעה הכלי Projector להצגת מילה שנקראת word2vec, שמייצג יותר מ-70,000 מילים באנגלית מבחינה נומרית במרחב וקטורי.
משימה 1
מבצעים את המשימות הבאות ועונים על השאלה שלמטה.
פותחים את הכלי Embedding Projector.
בחלונית השמאלית, מזינים את המילה Atom בשדה חיפוש. לאחר מכן לוחצים על המילה אטום בתוצאות שלמטה (פחות מ-4 התאמות). שלך המסך אמור להיראות כמו איור 8.
איור 8. כלי מקרן מוטמע עם המילה 'Atom' נוסף בשדה החיפוש (מוקף באדום). שוב, בחלונית השמאלית, לוחצים על הלחצן בידוד 101 נקודות (למעלה השדה חיפוש) כדי להציג את 100 המילים הקרובות ביותר ל-Atom. במסך אמור להיראות כמו איור 9.
איור 9. כלי הטמעה של מקרן, עכשיו עם "בידוד 101 נקודות" שלחצו עליהן (מוקף באדום).
עכשיו בודקים את המילים שמפורטות בקטע הנקודות הכי קרובות במרחב המקורי. איזה תיאור מתאים לדעתך למילים האלה?
ניתן ללחוץ כאן כדי לקבל את התשובה שלנו
רוב המילים הקרובות ביותר הן מילים שמשויכות לעיתים קרובות במילה אטום, כמו צורת הרבים 'אטומים', ואת המילים 'electron', 'molecule', ו'גרעין'.
משימה 2
מבצעים את המשימות הבאות ועונים על השאלה הבאה:
לוחצים על הלחצן הצגת כל הנתונים בחלונית השמאלית כדי לאפס את הנתונים. להמחשה ממשימה 1.
בחלונית השמאלית, מזינים את המילה אורניום בשדה חיפוש. המסך אמור להיראות כמו איור 10.
איור 10. כלי מקרן מוטמע עם המילה "אורניום" נוסף בשדה החיפוש.
בודקים את המילים שמפורטות בקטע הנקודות הכי קרובות במרחב המקורי. איך האם המילים האלה שונות מהמילים הקרובות ביותר של Atom?
ניתן ללחוץ כאן כדי לקבל את התשובה שלנו
אורניום מתייחס לרדיואקטיביות יסודות כימיים, רבות מהמילים הקרובות ביותר הן יסודות אחרים, כמו אבץ, מנגן נחושת ואלומיניום.
משימה 3
מבצעים את המשימות הבאות ועונים על השאלה הבאה:
לוחצים על הלחצן הצגת כל הנתונים בחלונית השמאלית כדי לאפס את הנתונים. להמחשה ממשימה 2.
בחלונית השמאלית, מזינים את המילה כתום בשדה חיפוש. שלך המסך אמור להיראות כמו איור 11.
איור 11. כלי מקרן מוטמע עם המילה "כתום" נוסף בשדה החיפוש.
בודקים את המילים שמפורטות בקטע הנקודות הכי קרובות במרחב המקורי. מה דעתך על סוגי המילים שמוצגות כאן ועל סוגי המילים לא מוצגת כאן?
ניתן ללחוץ כאן כדי לקבל את התשובה שלנו
כמעט כל המילים הקרובות ביותר הן צבעים אחרים, כמו 'צהוב', "green, " "blue", "סגול", ו'אדום'. רק אחת מהמילים הקרובות ביותר ("מיץ") להתייחס למשמעות האחרת של המילה (פרי הדר). פירות אחרים שאתם מצפים לראות, כמו "apple" ו'בננה', לא נכנס לרשימה של את המונחים הקרובים ביותר.
הדוגמה הזו ממחישה את אחד מהחסרונות העיקריים של הטמעות סטטיות. כמו word2vec. כל המשמעויות האפשריות של מילה מיוצגות על ידי במרחב וקטורי, כך שכשעושים ניתוח דמיון ל"כתום", זה לא ניתן לבודד את הנקודות הקרובות ביותר של סימון ספציפי של המילה, למשל 'כתום' (פרי) אבל לא 'כתום' (צבע).