Začněte nyníZačněte zdarma

Vizualizace vložených popisů

Teď, když máš embeddingy vytvořené z popisů produktů, je čas je prozkoumat! Použiješ t-SNE ke snížení počtu dimenzí embeddingů z 1 536 na dvě, čímž data připravíš do podoby vhodné pro vizualizaci.

Začneš se seznamem slovníků products z předchozího cvičení, který obsahuje informace o produktech a embeddingy vytvořené z klíče 'short_description'. Pro připomenutí, tady je náhled products:

products = [
    {
        "title": "Smartphone X1",
        "short_description": "The latest flagship smartphone with AI-powered features and 5G connectivity.",
        "price": 799.99,
        "category": "Electronics",
        "features": [
            "6.5-inch AMOLED display",
            "Quad-camera system with 48MP main sensor",
            "Face recognition and fingerprint sensor",
            "Fast wireless charging"
        ],
        "embedding": [-0.014650369994342327, ..., 0.008677126839756966]
    },
    ...
]

matplotlib.pyplot a numpy jsou importovány jako plt a np.

Toto cvičení je součástí kurzu

Introduction to Embeddings with the OpenAI API

Zobrazit kurz

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create categories and embeddings lists using list comprehensions
categories = [product[____] for product in products]
embeddings = [product[____] for product in products]
Upravit a spustit kód