【RAG入门教程02】Langchian的Embedding介绍与使用

Embedding介绍

词向量是 NLP 中的一种表示形式,其中词汇表中的单词或短语被映射到实数向量。它们用于捕获高维空间中单词之间的语义和句法相似性。

在词嵌入的背景下,我们可以将单词表示为高维空间中的向量,其中每个维度对应一个特定的特征,例如“生物”、“猫科动物”、“人类”、“性别”等。每个单词在每个维度上都分配有一个数值,通常在 -1 到 1 之间,表示该词与该特征的关联程度。


例如,“猫”这个词在“猫科动物”维度上可能具有较高的正值,而在“人类”维度上具有接近于零的值,这反映了它与猫科动物的紧密关联性,而与人类的关联性较低。


这种数值表示使我们能够捕捉单词之间的语义关系并对其执行数学运算,例如计算单词之间的相似度或将其用作 NLP 任务中 ML 模型的输入。

LangChain 可容纳来自不同来源的多种嵌入。

OpenAI

import os
os.environ["OPENAI_API_KEY"] = "your-key"


from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()

text = "Text"

text_embedding = embeddings.embed_query(text)

print(text_embedding)

"""
[-0.0006077770551231004,
 -0.02036312831034526,
 0.0015661947077772864,
 -0.0008398058726938265,
 0.00801365303172794,
 0.01648443640533639,
 -0.015071485112588635,
 -0.006794635682304868,
 -0.009232670381151012,
 -0.004512441507728793,
 0.00296615975583046,
 0.02781575545470095,
 -0.004290802116650396,
 0.009204965399058554,
 -0.007286398183123463,
 0.01896402857732122,
 0.03457576177203527,
 0.01469746878566298,
 0.03812199202928964,
 -0.033024282774857694,
 -0.014143370075136358,
 -0.0016640276929606461,
 -0.00023289462736494386,
 -0.009856030615586264,
 -0.018867061139997622,
...
 -0.0007159994667987885,
 -0.024920590413974295,
 0.009017956769934473,
 0.005336663327995613,
 ...]
"""

print(len(text_embedding))

"""
1536
"""

HuggingFace

from langchain_community.embeddings import HuggingFaceEmbeddings
embedding_path = r'H:\pretrained_models\bert\english\paraphrase-multilingual-mpnet-base-v2'

embeddings = HuggingFaceEmbeddings(model_name=embedding_path)

text = "This is a test document."

text_embedding = embeddings.embed_query(text)

print(len(text_embedding)) # 768

Google

from langchain_google_genai import GoogleGenerativeAIEmbeddings
os.environ["GOOGLE_API_KEY"] = "your-key"

embeddings = GoogleGenerativeAIEmbeddings(model="models/embedding-001")
text_embedding = embeddings.embed_query("hello, world!")

print(text_embedding) # 768

更多Embedding可以查看https://python.langchain.com/v0.2/docs/integrations/text_embedding/

计算相似性

我们可以使用嵌入来计算文本的相似度。

word_list = ["Cat", "Dog", "Car""Truck","Computer","Laptop","Apple","Orange", "Music","Dance"]

embedding_model = OpenAIEmbeddings()

embeds = [embedding_model.embed_query(word) for word in word_list]

embeds
"""
[[-0.008174207879591734,
  -0.007511803310590743,
  -0.00995655437174355,
  -0.024788951157780095,
  -0.012790553094547429,
  0.006654775143594856,
  -0.0015151649503578363,
  -0.03783217392596492,
  -0.014422662356334227,
  -0.026250339680779597,
  0.017154227704543168,
  0.046327340706031526,
  0.0035646922858117093,
  0.004240754467349556,
  -0.032287098019987186,
  -0.004592443287070655,
  0.03955306057962428,
  0.005261676778755394,
  0.00789422251521935,
  -0.015501631209043845,
  -0.023723641081760536,
  0.0053197228543978925,
  0.014873371253461594,
  -0.012141805905252653,
  -0.006781109980413554,
...
  0.00566348496318421,
  0.01855802589283819,
  0.00531267762533671,
  0.02393075147421956,
  ...]]
"""

我们引入另一个单词并计算相似度。

input_word = "Lion"

input_embed = embedding_model.embed_query(input_word)
import numpy as np

def cosine_similarity(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

similarity = cosine_similarity(embeds[0], input_embed)

print(similarity) #0.8400893968591456
from sklearn.metrics.pairwise import cosine_similarity

similarity = cosine_similarity(np.array([embeds[0]]), np.array([input_embed]))

print(similarity) #array([[0.8400894]])
sims = [cosine_similarity(np.array([emb]), np.array([input_embed])) for emb in embeds]

"""
[array([[0.8400894]]),
 array([[0.80272758]]),
 array([[0.79536215]]),
 array([[0.81627175]]),
 array([[0.82762581]]),
 array([[0.81705796]]),
 array([[0.82609729]]),
 array([[0.78917449]]),
 array([[0.79970112]])]
"""

考虑文本存储在 CSV 文件中,我们计划将其用作评估输入相似性的参考。

from langchain.document_loaders.csv_loader import CSVLoader

loader = CSVLoader(file_path='data.csv', csv_args={
    'delimiter': ',',
    'quotechar': '"',
    'fieldnames': ['Words']
})

data = loader.load()
data

"""
[Document(page_content='Words: Words', metadata={'source': 'data.csv', 'row': 0}),
 Document(page_content='Words: Cat', metadata={'source': 'data.csv', 'row': 1}),
 Document(page_content='Words: Dog', metadata={'source': 'data.csv', 'row': 2}),
 Document(page_content='Words: CarTruck', metadata={'source': 'data.csv', 'row': 3}),
 Document(page_content='Words: Computer', metadata={'source': 'data.csv', 'row': 4}),
 Document(page_content='Words: Laptop', metadata={'source': 'data.csv', 'row': 5}),
 Document(page_content='Words: Apple', metadata={'source': 'data.csv', 'row': 6}),
 Document(page_content='Words: Orange', metadata={'source': 'data.csv', 'row': 7}),
 Document(page_content='Words: Music', metadata={'source': 'data.csv', 'row': 8}),
 Document(page_content='Words: Dance', metadata={'source': 'data.csv', 'row': 9})]
"""

CSVLoader 类用于从 CSV 文件加载数据。我们将在系列后面介绍装载机。 我们可以利用FAISS结合LangChain来创建一个向量存储。

embeddings = OpenAIEmbeddings()

from langchain_community.vectorstores import FAISS

db = FAISS.from_documents(data, embeddings)
user_input = "Lion"

results = db.similarity_search(user_input)

results

"""
[Document(page_content='Words: Cat', metadata={'source': 'data.csv', 'row': 1}),
 Document(page_content='Words: Apple', metadata={'source': 'data.csv', 'row': 6}),
 Document(page_content='Words: Dog', metadata={'source': 'data.csv', 'row': 2}),
 Document(page_content='Words: Orange', metadata={'source': 'data.csv', 'row': 7})]
"""

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/694342.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

Vatee万腾平台:数字经济时代的智能金融解决方案

在数字经济蓬勃发展的今天,金融行业的智能化、数字化已成为必然趋势。Vatee万腾平台凭借其前瞻性的战略眼光和强大的技术实力,正逐步成为数字经济时代的智能金融解决方案引领者。 Vatee万腾平台以其先进的科技实力为核心,集成了大数据、云计算…

联合体和枚举<C语言>

导言 在C语言中除了结构体外,联合体和枚举也是自定义类型,联合体主要用于节省空间,在同一块内存存储多种类型的数据,而枚举可以提高代码的可读性、可维护性。 联合体(union) 它还有个更容易理解的名字&…

【Java面试】十二、Kafka相关

文章目录 1、Kafka如何保证消息不丢失1.1 生产者发消息到Brocker丢失:设置异步发送1.2 消息在Broker存储时丢失:发送确认机制1.3 消费者从Brocker接收消息丢失1.4 同步 异步组合提交偏移量 2、Kafka如何保证消费的顺序性3、Kafka高可用机制3.1 集群模式…

HTML标签 label for 还是 htmlFor

文章目录 问题结论更多 问题 HTML标签: label 的属性 for 还是 htmlFor? MDN文档:https://developer.mozilla.org/en-US/docs/Web/HTML/Element/label 结论 for 和 htmlFor 都可以使用,都是对的。在部分情况中,只能…

atcoder abc357

A Sanitize Hands 问题&#xff1a; 思路&#xff1a;前缀和&#xff0c;暴力&#xff0c;你想咋做就咋做 代码&#xff1a; #include <iostream>using namespace std;const int N 2e5 10;int n, m; int a[N];int main() {cin >> n >> m;for(int i 1…

SpringBoot之Mybatis-plus实战

文章目录 MybatisPlus 介绍一、MyBatisPlus 集成步骤第一步、引入依赖第二步、定义mapper 二、注解TableNameTableldTableField 加解密实现步骤 在SpringBoot项目中使用Mybatis-plus&#xff0c;记录下来&#xff0c;方便备查。 MybatisPlus 介绍 为简化开发而生&#xff0c;官…

[数据集][图像分类]人种黄种人白人黑人等分类数据集56000张7类别

数据集类型&#xff1a;图像分类用&#xff0c;不可用于目标检测无标注文件 数据集格式&#xff1a;仅仅包含jpg图片&#xff0c;每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)&#xff1a;56000 分类类别数&#xff1a;7 类别名称:[“Black”,“East_Asian”,“Ind…

关于Redis中哨兵(Sentinel)

Redis Sentinel 相关名词解释 名词 逻辑结构 物理结构 主节点 Redis 主服务 一个独立的 redis-server 进程 从节点 Redis 从服务 一个独立的 redis-server 进程 Redis 数据节点 主从节点 主节点和从节点的进程 哨兵节点 监控 Redis 数据节点的节点 一个独立的 re…

Mysql学习(七)——约束

文章目录 四、约束4.1 概述4.2 约束演示4.3 外键约束 总结 四、约束 4.1 概述 概念&#xff1a;约束是作用于表中字段上的规则&#xff0c;用于限制存储在表中的数据。目的&#xff1a;保证数据库中数据的正确、有效性和完整性。分类&#xff1a; 4.2 约束演示 根据需求&…

发光二极管十大品牌

日常电路设计中&#xff0c;LED是必用的元器件之一&#xff0c;辅助判定电路异常。 十大发光二极管品牌-LED灯珠生产厂家哪家好-LED发光二极管厂家前十-Maigoo品牌榜

【python】OpenCV GUI——Trackbar(14.2)

学习来自 OpenCV基础&#xff08;12&#xff09;OpenCV GUI中的鼠标和滑动条 文章目录 GUI 滑条介绍cv2.createTrackbar 介绍牛刀小试 GUI 滑条介绍 GUI滑动条是一种直观且快速的调节控件&#xff0c;主要用于改变一个数值或相对值。以下是关于GUI滑动条的详细介绍&#xff1a…

[个人感悟] Java基础问题应该考察哪些问题?

前言 “一切代码无非是数据结构和算法流程的结合体.” 忘了最初是在何处看见这句话了, 这句话, 对于Java基础的考察也是一样. 正如这句话所说, 我们对于基础的考察主要考察, 数据结构, 集合类型结构, 异常类型, 已经代码的调用和语法关键字. 其中数据结构和集合类型结构是重点…

PowerDesigner遍历导出所有表结构到Excel

PowerDesigner遍历导出所有表到Excel 1.打开需要导出表结构到Excel的pdm文件 2.点击Tools|Execute Commands|Edit/Run Script菜单或按下快捷键Ctrl Shift X打开脚本窗口&#xff0c;输入示例VBScript脚本&#xff0c;修改其中的Excel模板路径及工作薄页签&#xff0c;点Run…

[数据集][图像分类]人种黄种人白人黑人分类数据集970张4类别

数据集类型&#xff1a;图像分类用&#xff0c;不可用于目标检测无标注文件 数据集格式&#xff1a;仅仅包含jpg图片&#xff0c;每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)&#xff1a;970 分类类别数&#xff1a;4 类别名称:[“Asian”,“Caucasian”,“Indian…

深度学习简单概述

概述 理论上来说&#xff0c;参数越多的模型复杂度越高、容量越大&#xff0c;这意味着它能完成更复杂的学习任务。但复杂模型的训练效率低&#xff0c;易陷入过拟合。随着云计算、大数据时代的到来&#xff0c;计算能力的大幅提高可以缓解训练的低效性&#xff0c;训练数据的…

Java核心: 类加载器

这一节我们来学习Java的类加载器&#xff0c;以及常用的类加载器实现URLClassLoader。 1. Java类加载器 类加载器用于将字节码读取并创建Class对象。我们知道JVM本身是用C写的&#xff0c;一开始执行的时候由C程序来加载并引导字节码的运行&#xff0c;这些由C编写的加载字节…

docker——基础知识

简介 一、什么是虚拟化和容器化 ​ 实体计算机叫做物理机&#xff0c;又时也称为寄主机&#xff1b; ​ 虚拟化&#xff1a;将一台计算机虚拟化为多态逻辑计算机&#xff1b; ​ 容器化&#xff1a;一种虚拟化技术&#xff0c;操作系统的虚拟化&#xff1b;将用户空间软件实…

2024050501-重学 Java 设计模式《实战命令模式》

重学 Java 设计模式&#xff1a;实战命令模式「模拟高档餐厅八大菜系&#xff0c;小二点单厨师烹饪场景」 一、前言 持之以恒的重要性 初学编程往往都很懵&#xff0c;几乎在学习的过程中会遇到各种各样的问题&#xff0c;哪怕别人那运行好好的代码&#xff0c;但你照着写完…

C++ ─── STL 以及string

前言&#xff1a;什么是STL STL(standard template libaray-标准模板库)&#xff1a;是C标准库的重要组成部分&#xff0c;不仅是一个可复用的组件库&#xff0c;而且 是一个包罗数据结构与算法的软件框架 STL的六大组件 1. 为什么学习string类&#xff1f; 1.1 C语言中的字符…

12.打渔还是晒网

上海市计算机学会竞赛平台 | YACSYACS 是由上海市计算机学会于2019年发起的活动,旨在激发青少年对学习人工智能与算法设计的热情与兴趣,提升青少年科学素养,引导青少年投身创新发现和科研实践活动。https://www.iai.sh.cn/problem/17 题目描述 有句俗话叫“三天打渔,两天…