Texto incrustado de Amazon Titan

Titan Embeddings G1 - Text no admite el uso de parámetros de inferencia. En las siguientes secciones se detallan los formatos de solicitud y respuesta y se proporciona un ejemplo de código.

Solicitud y respuesta

El cuerpo de la solicitud se pasa al body campo de una InvokeModelsolicitud.

V2 Request

El inputText parámetro es obligatorio. Los parámetros de normalización y dimensiones son opcionales.

• inputText — Introduzca el texto para convertirlo en incrustaciones.

• normalize: (opcional) bandera que indica si se deben normalizar o no las incrustaciones de salida. El valor predeterminado es true (verdadero).

• dimensiones: (opcional) el número de dimensiones que deben tener las incrustaciones de salida. Se aceptan los siguientes valores: 1024 (predeterminado), 512, 256.

• embeddingTypes — (opcional) Acepta una lista que contenga «flotante», «binario» o ambos. El valor predeterminado es float.

{
    "inputText": string,
    "dimensions": int,
    "normalize": boolean,
    "embeddingTypes": list
}

V2 Response

Los campos se describen a continuación.

• incrustación: matriz que representa el vector de incrustaciones de la entrada que ha proporcionado. Siempre será tipo. float

• inputTextTokenRecuento: el número de fichas en la entrada.

• embeddingsByType — Un diccionario o un mapa de la lista de incrustaciones. Depende de la entrada, muestra «flotante», «binario» o ambos.

  • Ejemplo: "embeddingsByType": {"binary": [int,..], "float": [float,...]}

  • Este campo aparecerá siempre. Incluso si no lo especificas embeddingTypes en tu entrada, seguirá apareciendo «flotante». Ejemplo: "embeddingsByType": {"float": [float,...]}

{
    "embedding": [float, float, ...],
    "inputTextTokenCount": int,
    "embeddingsByType": {"binary": [int,..], "float": [float,...]}
}

G1 Request

El único campo disponible es el inputText siguiente: en el que puedes incluir texto para convertirlo en incrustaciones.

{
    "inputText": string
}

G1 Response

El body de la respuesta contiene los siguientes campos.

{
    "embedding": [float, float, ...],
    "inputTextTokenCount": int
}

Los campos se describen a continuación.

• incrustación: matriz que representa el vector de incrustaciones de la entrada que proporcionó.

• inputTextTokenRecuento: el número de fichas de la entrada.

Código de ejemplo

Los siguientes ejemplos muestran cómo llamar a los modelos Amazon Titan Embedding para generar incrustaciones. Seleccione la pestaña que corresponda al modelo que está utilizando:

Amazon Titan Embeddings G1 - Text

# Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved.
# SPDX-License-Identifier: Apache-2.0
"""
Shows how to generate embeddings with the Amazon Titan Embeddings G1 - Text model (on demand).
"""

import json
import logging
import boto3


from botocore.exceptions import ClientError


logger = logging.getLogger(__name__)
logging.basicConfig(level=logging.INFO)


def generate_embeddings(model_id, body):
    """
    Generate a vector of embeddings for a text input using Amazon Titan Embeddings G1 - Text on demand.
    Args:
        model_id (str): The model ID to use.
        body (str) : The request body to use.
    Returns:
        response (JSON): The embedding created by the model and the number of input tokens.
    """

    logger.info("Generating embeddings with Amazon Titan Embeddings G1 - Text model %s", model_id)

    bedrock = boto3.client(service_name='bedrock-runtime')

    accept = "application/json"
    content_type = "application/json"

    response = bedrock.invoke_model(
        body=body, modelId=model_id, accept=accept, contentType=content_type
    )

    response_body = json.loads(response.get('body').read())

    return response_body


def main():
    """
    Entrypoint for Amazon Titan Embeddings G1 - Text example.
    """

    logging.basicConfig(level=logging.INFO,
                        format="%(levelname)s: %(message)s")

    model_id = "amazon.titan-embed-text-v1"
    input_text = "What are the different services that you offer?"


    # Create request body.
    body = json.dumps({
        "inputText": input_text,
    })


    try:

        response = generate_embeddings(model_id, body)

        print(f"Generated embeddings: {response['embedding']}")
        print(f"Input Token count:  {response['inputTextTokenCount']}")

    except ClientError as err:
        message = err.response["Error"]["Message"]
        logger.error("A client error occurred: %s", message)
        print("A client error occured: " +
              format(message))

    else:
        print(f"Finished generating embeddings with Amazon Titan Embeddings G1 - Text model {model_id}.")


if __name__ == "__main__":
    main()

Amazon Titan Text Embeddings V2

Cuando se usa Titan Text Embeddings V2, el embedding campo no está en la respuesta si embeddingTypes solo contienebinary.

# Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved.
# SPDX-License-Identifier: Apache-2.0
"""
Shows how to generate embeddings with the Amazon Titan Text Embeddings V2 Model
"""

import json
import logging
import boto3


from botocore.exceptions import ClientError


logger = logging.getLogger(__name__)
logging.basicConfig(level=logging.INFO)


def generate_embeddings(model_id, body):
    """
    Generate a vector of embeddings for a text input using Amazon Titan Text Embeddings G1 on demand.
    Args:
        model_id (str): The model ID to use.
        body (str) : The request body to use.
    Returns:
        response (JSON): The embedding created by the model and the number of input tokens.
    """

    logger.info("Generating embeddings with Amazon Titan Text Embeddings V2 model %s", model_id)

    bedrock = boto3.client(service_name='bedrock-runtime')

    accept = "application/json"
    content_type = "application/json"

    response = bedrock.invoke_model(
        body=body, modelId=model_id, accept=accept, contentType=content_type
    )

    response_body = json.loads(response.get('body').read())

    return response_body


def main():
    """
    Entrypoint for Amazon Titan Embeddings V2 - Text example.
    """

    logging.basicConfig(level=logging.INFO,
                        format="%(levelname)s: %(message)s")

    model_id = "amazon.titan-embed-text-v2:0"
    input_text = "What are the different services that you offer?"


    # Create request body.
    body = json.dumps({
        "inputText": input_text,
        "embeddingTypes": ["binary"]
    })


    try:

        response = generate_embeddings(model_id, body)

        print(f"Generated embeddings: {response['embeddingByTypes']['binary']}") # returns binary embedding
        # print(f"Generated embeddings: {response['embedding']}") NOTE:"embedding" field is not in "response".
        print(f"Input Token count:  {response['inputTextTokenCount']}")

    except ClientError as err:
        message = err.response["Error"]["Message"]
        logger.error("A client error occurred: %s", message)
        print("A client error occured: " +
              format(message))

    else:
        print(f"Finished generating embeddings with Amazon Titan Text Embeddings V2 model {model_id}.")


if __name__ == "__main__":
    main()