假设您正在开发一款食物推荐应用，其中 用户输入他们喜爱的餐点，应用就会推荐类似的餐点 来展示自己喜欢的内容您想要开发机器学习 (ML) 模型 预测食物相似性，让您的应用 推荐（“由于您喜欢薄煎饼，因此我们推荐可丽饼”）。
为了训练模型，您精心挑选了一个数据集，其中包含 5,000 个热门 餐食，包括罗宋汤， 热狗、 salad、 披萨、 和沙威玛。
您要创建一个 meal 地图项，其中包含
独热编码
每个膳食项目的表示法。
![图 2. 上图：罗宋汤的独热编码的可视化。
矢量 [1, 0, 0, 0, ..., 0] 显示在六个方框上方，
每个都与左对齐
与其中一个矢量数对应。方框（从左到右）
包含以下图片：罗宋汤、热狗、沙拉、披萨、[空]、
沙威玛。中间图：热狗的独热编码的可视化。
矢量 [0, 1, 0, 0, ..., 0] 显示在六个方框的上方，每个
从左到右对齐。这些盒子有
从左到右的图片与罗宋图上的图片相同
。下图：沙威玛的独热编码的可视化效果。通过
矢量 [0, 0, 0, 0, ..., 1] 显示在六个方框上方，每个方框对齐
从左到右绘制一个矢量数字。这些盒子有
从左到右的图片与罗宋汤和热狗的图片相同
和可视化。](https://developers.google.cn/static/machine-learning/crash-course/embeddings/images/food_images_one_hot_encodings.png?authuser=4&hl=fi)
稀疏数据表示法的误区
查看这些独热编码时，您会注意到 数据的表示形式。
- 权重数量。输入矢量大意味着有大量
权重
用于神经网络。
在独热编码中使用 M 个条目，
节点，则模型必须训练
该层的 MxN 权重。权重过大会引发进一步的问题：
- 数据点数量。模型中的权重越多，您获得的数据就越多， 进行有效训练。
- 计算量。权重越多，所需的计算就越多 来训练和使用模型。您很容易就会超出 硬件。
- 内存量。模型中的权重越多， 训练和处理它的加速器上都需要有负载。扩大规模 是非常困难的
- 难以提供支持 设备端机器学习 (ODML)。 如果您希望在本地设备上运行机器学习模型（而不是 您需要专注于缩小模型，并且需要 以减少权重的数量。
- 向量之间缺少有意义的关系。输入的 对于食物的独热编码并没有提供任何有关 食品的相似度。从数学角度来说，索引 1（“热狗”）是指 比索引 2（“沙拉”）更接近索引 4999（“沙威玛”）， 狗狗比沙拉更类似于沙威玛（均含肉和面包）。
在本单元中，您将学习如何创建低维嵌入 可以解决这两个问题。