メインコンテンツまでスキップ

encode_documents()

この操作はドキュメントを受け取り、それらをベクトル埋め込みにエンコードします。

リクエスト構文​

python
encode_documents(
    documents: List[str], 
) -> List[np.array]

パラメータ:

  • documents (List[str])

    文字列値のリストです。各文字列は、エンコードのために埋め込みモデルに渡されるドキュメントを表します。モデルは、リスト内の各文字列に対して埋め込みベクトルを生成します。

戻り値の型:

List[np.array]

戻り値:

各要素が NumPy 配列であるリスト。

例外:

  • RuntimeError

    Jina API からのレスポンスに data キーが含まれていない場合、この例外が発生します。

例​

python
from pymilvus.model.dense import JinaEmbeddingFunction

jina_ef = JinaEmbeddingFunction(
    model_name="jina-embeddings-v2-base-en", # Defaults to `jina-embeddings-v2-base-en`
    api_key="YOUR_JINAAI_API_KEY" # Provide your Jina AI API key
)

docs = [
    "Artificial intelligence was founded as an academic discipline in 1956.",
    "Alan Turing was the first person to conduct substantial research in AI.",
    "Born in Maida Vale, London, Turing was raised in southern England.",
]

docs_embeddings = jina_ef.encode_documents(docs)

# Print embeddings
print("Embeddings:", docs_embeddings)
# Print dimension and shape of embeddings
print("Dim:", jina_ef.dim, docs_embeddings[0].shape)

# Embeddings: [array([-4.88487840e-01, -4.28095880e-01,  4.90086500e-01, -1.63274320e-01,
#         3.43437800e-01,  3.21476880e-01,  2.83173790e-02, -3.10403670e-01,
#         4.76985040e-01, -1.77410420e-01, -3.84803180e-01, -2.19224200e-01,
#        -2.52898000e-01,  6.62411900e-02, -8.58173100e-01,  1.05221800e+00,
# ...
#        -2.04462400e-01,  7.14229800e-01, -1.66823000e-01,  8.72551440e-01,
#         5.53560140e-01,  8.92506300e-01, -2.39408610e-01, -4.22413560e-01,
#        -3.19551350e-01,  5.59153850e-01,  2.44338100e-01, -8.60452100e-01])]
# Dim: 768 (768,)
Ctrl I