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
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]