Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Wyobraź sobie, że tworzysz aplikację rekomendującą potrawy – gdy użytkownicy wpisują swoje ulubione potrawy, aplikacja sugeruje podobne, które mogą im smakować. Aby aplikacja podawała wysokiej jakości rekomendacje, chcesz opracować model uczenia maszynowego (ML) umiejący przewidywać podobieństwo potraw („Skoro lubisz naleśniki, to polecamy ich odmianę crepes”).
Aby wytrenować model, tworzysz zbiór danych obejmujący 5000 popularnych potraw, w tym barszcz, hot doga, sałatkę, pizzę i szawarmę.
Rysunek 1. Przykładowe potrawy ze zbioru danych potraw.
Tworzysz cechę meal zawierającą reprezentację w kodzie 1 z n każdej potrawy w zbiorze danych.
Kodowanie to proces wybierania wstępnej reprezentacji liczbowej danych, na których będzie trenowany model.
Rysunek 2. Kodowania 1 z n dla barszczu, hot doga i szawarmy.
Każdy wektor kodowania 1 z n ma długość 5000 (jedna pozycja na każdy element menu w zbiorze danych). Wielokropek na wykresie oznacza 4995 niewidocznych pozycji.
Pułapki rozproszonych reprezentacji danych
Sprawdzając te kodowania 1 z n, możesz zauważyć, że ta reprezentacja danych ma kilka wad.
Liczba wag. Duże wektory wejściowe oznaczają dużą liczbę wag dla sieci neuronowej.
Jeśli mamy M pozycji w kodowaniu 1 z n i N węzłów w pierwszej warstwie sieci po danych wejściowych, model musi wytrenować dla tej warstwy MxN wag.
Liczba punktów danych. Im więcej wag zawiera model, tym więcej danych trzeba skutecznie wytrenować.
Ilość obliczeń. Im więcej wag, tym większa jest ilość obliczeń wymagana do wytrenowania i używania modelu. Łatwo przekroczyć możliwości sprzętu.
Ilość pamięci. Im więcej wag w modelu, tym więcej pamięci potrzebują akceleratory używane do jego trenowania i obsługi. Skuteczne skalowanie w górę jest bardzo trudne.
Trudności w obsłudze uczenia maszynowego na urządzeniu (ODML).
Jeśli chcesz uruchamiać swój model ML na urządzeniach lokalnych (w przeciwieństwie do korzystania z modelu na serwerze), musisz go zmniejszyć, a to wiąże się ze zmniejszeniem liczby wag.
Z tego modułu dowiesz się, jak te problemy rozwiązać – nauczysz się tworzyć wektory dystrybucyjne, reprezentacje rozproszonych danych w przestrzeni o mniejszej liczbie wymiarów.
[null,null,["Ostatnia aktualizacja: 2025-05-19 UTC."],[[["\u003cp\u003eThis 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.\u003c/p\u003e\n"],["\u003cp\u003eOne-hot encoding creates large input vectors, leading to a huge number of weights in a neural network, requiring more data, computation, and memory.\u003c/p\u003e\n"],["\u003cp\u003eOne-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.\u003c/p\u003e\n"],["\u003cp\u003eEmbeddings 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.\u003c/p\u003e\n"],["\u003cp\u003eThis module assumes familiarity with introductory machine learning concepts like linear regression, categorical data, and neural networks.\u003c/p\u003e\n"]]],[],null,["# Embeddings\n\n| **Estimated module length:** 45 minutes\n| **Learning objectives**\n|\n| - Visualize vector representations of word embeddings, such as [word2vec](https://wikipedia.org/wiki/Word2vec).\n| - Distinguish encoding from embedding.\n| - Describe contextual embedding.\n| **Prerequisites:**\n|\n| This module assumes you are familiar with the concepts covered in the\n| following modules:\n|\n| - [Introduction to Machine Learning](/machine-learning/intro-to-ml)\n| - [Linear regression](/machine-learning/crash-course/linear-regression)\n| - [Working with categorical data](/machine-learning/crash-course/categorical-data)\n| - [Neural networks](/machine-learning/crash-course/neural-networks)\n\nImagine you're developing a food-recommendation application, where\nusers input their favorite meals, and the app suggests similar meals\nthat they might like. You want to develop a machine learning (ML) model\nthat can predict food similarity, so your app can make high quality\nrecommendations (\"Since you like pancakes, we recommend crepes\").\n\nTo train your model, you curate a dataset of 5,000 popular\nmeal items, including ,\n,\n,\n,\nand .\n**Figure 1.** Sampling of meal items included in the food dataset.\n\nYou create a `meal` feature that contains a\n[**one-hot encoded**](/machine-learning/glossary#one-hot-encoding)\nrepresentation of each of the meal items in the dataset.\n[**Encoding**](/machine-learning/glossary#encoder) refers to the process of\nchoosing an initial numerical representation of data to train the model on.\n**Figure 2.** One-hot encodings of borscht, hot dog, and shawarma. Each one-hot encoding vector has a length of 5,000 (one entry for each menu item in the dataset). The ellipsis in the diagram represents the 4,995 entries not shown.\n\nPitfalls of sparse data representations\n---------------------------------------\n\nReviewing these one-hot encodings, you notice several problems with this\nrepresentation of the data.\n\n- **Number of weights.** Large input vectors mean a huge number of [**weights**](/machine-learning/glossary#weight) for a [**neural network**](/machine-learning/glossary#neural-network). With M entries in your one-hot encoding, and N nodes in the first layer of the network after the input, the model has to train MxN weights for that layer.\n- **Number of datapoints.** The more weights in your model, the more data you need to train effectively.\n- **Amount of computation.** The more weights, the more computation required to train and use the model. It's easy to exceed the capabilities of your hardware.\n- **Amount of memory.** The more weights in your model, the more memory that is needed on the accelerators that train and serve it. Scaling this up efficiently is very difficult.\n- **Difficulty of supporting on-device machine learning (ODML).** If you're hoping to run your ML model on local devices (as opposed to serving them), you'll need to be focused on making your model smaller, and will want to decrease the number of weights.\n\nIn this module, you'll learn how to create **embeddings**, lower-dimensional\nrepresentations of sparse data, that address these issues.\n| **Key terms:**\n|\n| - [One-hot encoding](/machine-learning/glossary#one-hot-encoding)\n| - [Neural network](/machine-learning/glossary#neural-network)\n- [Weight](/machine-learning/glossary#weight) \n[Help Center](https://support.google.com/machinelearningeducation)"]]
![Rysunek 2. Góra: wizualizacja kodowania 1 z n dla barszczu.
Wektor [1, 0, 0, 0, …, 0] wyświetla się nad 6 polami, z których każde, od lewej do prawej, jest wyrównane z jedną z liczb wektora. Pola od lewej do prawej zawierają te obrazy: barszcz, hot dog, sałatka, pizza, [pusty], szawarma. Środek: wizualizacja kodowania 1 z n dla hot doga.
Wektor [0, 1, 0, 0, …, 0] wyświetla się nad 6 polami, z których każde, od lewej do prawej, jest wyrównane z jedną z liczb wektora. Pola od lewej do prawej zawierają te same obrazy co powyższa wizualizacja dotycząca barszczu. Dół: wizualizacja kodowania 1 z n dla szawarmy. Wektor [0, 0, 0, 0, …, 1] wyświetla się nad 6 polami, z których każde, od lewej do prawej, jest wyrównane z jedną z liczb wektora. Pola od lewej do prawej zawierają te same obrazy co wizualizacje dotyczące barszczu i hot doga.](https://developers.google.cn/static/machine-learning/crash-course/embeddings/images/food_images_one_hot_encodings.png?authuser=5&hl=pl)