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]

PARAMETERS:

  • documents (List[str])

    各文字列が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す、文字列値のリストです。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。

RETURN TYPE:

List[np.array]

RETURNS:

各要素が NumPy 配列であるリスト。

Exceptions:

None

例​

python
from pymilvus.model.dense import OnnxEmbeddingFunction

onnx_ef = OnnxEmbeddingFunction(
    model_name="GPTCache/paraphrase-albert-onnx", # Defaults to `GPTCache/paraphrase-albert-onnx`
    tokenizer_name="GPTCache/paraphrase-albert-small-v2" # Defaults to `GPTCache/paraphrase-albert-small-v2`
)

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 = onnx_ef.encode_documents(docs)

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

# Embeddings: [array([ 1.07279094e-02, -3.58951056e-02,  1.87497448e-02,  1.63487596e-02,
#         3.65169223e-02,  3.58818956e-03, -4.00472457e-04,  2.85293215e-02,
#         2.27457494e-03,  1.83626742e-03,  4.22583687e-03,  2.71739219e-02,
#        -3.68434680e-03,  3.07914883e-02,  4.50544517e-03,  4.42281208e-02,
# ...
#         4.97930995e-02,  4.34017292e-02, -4.95981596e-02,  2.43449939e-02,
#         1.97417933e-02,  2.92120624e-02, -4.64168786e-02,  3.49774291e-03,
#         7.58170658e-02, -5.85279444e-02, -7.13737298e-03, -4.12926800e-02])]
# Dim: 768 (768,)
Ctrl I