DashVector

第一次,站长亲自招 Gopher 了>>>

本文介绍如何通过[ModelScope魔搭社区](https://modelscope.cn/)中的[文本向量开源模型](https://modelscope.cn/models?page=1&sort=downloads&tasks=sentence-embedding&type=nlp)将 **文本转换为向量** ,并入库至向量检索服务DashVector中进行向量检索。 [ModelScope魔搭社区](https://modelscope.cn/)旨在打造下一代开源的模型即服务共享平台,为泛AI开发者提供灵活、易用、低成本的一站式模型服务产品,让模型应用更简单。 ModelScope魔搭社区的愿景是汇集行业领先的预训练模型,减少开发者的重复研发成本,提供更加绿色环保、开源开放的AI开发环境和模型服务,助力绿色"数字经济"事业的建设。 ModelScope魔搭社区将以开源的方式提供多类优质模型,开发者可在平台上免费体验与下载使用。 在ModelScope魔搭社区,您可以: * 免费使用平台提供的预训练模型,支持免费下载运行 * 一行命令实现模型预测,简单快速验证模型效果 * 用自己的数据对模型进行调优,定制自己的个性化模型 * 学习系统性的知识,结合实训,有效提升模型研发能力 * 分享和贡献你的想法、评论与模型,让更多人认识你,在社区中成长 前提条件 --------------------- * DashVector: * 已创建Cluster * 已获得API-KEY * 已安装最新版SDK * ModelScope: * 已安装最新版SDK:`pip install -U modelscope` **CoROM文本向量** ------------------------------ ### **简介**  **说明** 关于CoROM文本向量模型更多信息请参考:[CoROM文本向量](https://modelscope.cn/models?name=CoROM&page=1&tasks=sentence-embedding&type=nlp) ### **使用示例** **说明** 需要进行如下替换代码才能正常运行: 1. DashVector api-key替换示例中的{your-dashvector-api-key} 2. DashVector Cluster Endpoint替换示例中的{your-dashvector-cluster-endpoint} 3. 使用上表中 **模型ID** 替换示例中的{model_id} 4. 需注意,若所使用的模型若为tiny模型,则向量维度为256 Python ```python from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks from typing import List from dashvector import Client pipeline_se = pipeline(Tasks.sentence_embedding, model='{model_id}') def generate_embeddings(texts: List[str]): inputs = {'source_sentence': texts} result = pipeline_se(input=inputs) return result['text_embedding'] ########### 以下为通用示例:向量入库DashVector和向量检索代码参考########### # 创建DashVector Client client = Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' ) # 创建DashVector Collection # 注意:需根据模型对应向量维度调整dimension参数 rsp = client.create('CoROM-text-embedding', dimension=768) assert rsp collection = client.get('CoROM-text-embedding') assert collection # 向量入库DashVector collection.insert( ('ID1', generate_embeddings(['阿里云向量检索服务DashVector是性能、性价比具佳的向量数据库之一'])[0]) ) # 向量检索 docs = collection.query( generate_embeddings(['The best vector database'])[0] ) print(docs) ``` **GTE文本向量** ---------------------------- ### 简介  **说明** 关于GTE文本向量模型更多信息请参考:[GTE文本向量](https://modelscope.cn/models?name=GTE&page=1&tasks=sentence-embedding&type=nlp) ### 使用示例 本模型使用示例同[CoROM文本向量-使用示例],进行相应 **模型ID** 和 **向量维度** 替换即可运行。 Udever 多语言通用文本表示模型 ----------------------------------- ### 简介  **说明** 关于Udever 多语言通用文本表示模型更多信息请参考:[Udever 多语言通用文本表示模型](https://modelscope.cn/models?name=Udever&page=1&tasks=sentence-embedding&type=nlp) ### 使用示例 本模型使用示例同[CoROM文本向量-使用示例],进行相应 **模型ID** 和 **向量维度** 替换即可运行。 **StructBERT FAQ问答** ------------------------------------- ### 简介  **说明** 关于StructBERT FAQ问答模型更多信息请参考:[StructBERT FAQ问答](https://modelscope.cn/models?name=StructBERT&page=1&tasks=sentence-embedding&type=nlp) ### 使用示例 **说明** 需要进行如下替换代码才能正常运行: 1. 使用上表中 **模型ID** 替换示例中的{model_id} Python ```python from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks from typing import List pipeline = pipeline(Tasks.faq_question_answering, model='{model_id}') def generate_embeddings(texts: List[str], max_len=30): return pipeline.get_sentence_embedding(texts) ``` **说明** 本示例中,向量入库DashVector和向量检索代码,参考[CoROM文本向量-使用示例]中的通用示例部分 **更多文本向量模型**  **说明** 1. 列表中模型示例同[CoROM文本向量-使用示例],进行相应 **模型ID** 和 **向量维度** 替换即可运行 2. 更多ModelScope社区中的开源文本向量模型在本文中不再一一列举,更多文本向量模型待您探索、发现和共建,[点击进入](https://modelscope.cn/models?tasks=sentence-embedding&type=nlp&sort=downloads)。

有疑问加站长微信联系(非本文作者))

1226 次点击

上一篇:注销账号

下一篇:如何将文本转换为向量?(方法三)

信息 代码 python 检索服务

• 编辑
• 预览