تنزيل MorphingDB - تنزيل رمز المصدر MorphingDB

MorphingDB

شفرة المصدر الأخرى

1.0.0

تنزيل

morphingdb-extension

MorphingDB هو امتداد postgresql لدعم استدلال نموذج التعلم العميق داخل قاعدة البيانات وتخزين المتجهات.
يتيح MorphingDB للمستخدمين استيراد نموذج libtorch وإنشاء استنتاجات باستخدام البيانات من داخل قاعدة البيانات.
يتيح MorphingDB للمستخدمين تخزين بيانات المتجهات بمعلومات أبعاد ، مما يسمح LiBtorCh بالعمل مباشرة مع بيانات المتجهات في قاعدة البيانات ، يمكن للمستخدمين تخزين البيانات مسبقًا في متجهات في قاعدة البيانات لتسريع الاستدلال.
MorphingDB يدعم النموذج الاستدلال المتمركز والمواسير.

بداية سريعة

dowload zip to morphingdb project path

نموذج UNXIP

unzip models.zip -d ./model/

استخدم صورة Docker من Docker Hub

sudo docker pull morphingdb/morphingdb:1.0

أو بناء صورة Docker

sudo docker build -t morphingdb .

إنشاء Docker Contanier

 # abs_morphingdb_test_dir is the absolute path of the morphingdb project directory from https://github.com/MorphingDB/Morphingdb_test/
sudo docker run -d 
--name MorphingDB_test 
-e POSTGRES_PASSWORD=123456 
-v [abs_morphingdb_test_dir]:[abs_morphingdb_test_dir]
-v [data_dir]:/var/lib/postgresql/data
-p [port]:5432 
morphingdb

أدخل Docker

sudo docker exec -it [contanier id] /bin/bash

الاتصال بالخادم

psql -p 5432 -d postgres -U postgres -h localhost

تمكين التمديد

CREATE EXTENSION pgdl;

كيفية استخدام

إنشاء النموذج

 SELECT create_model(model_name, model_path, base_model, model description);

اكتب عملية ما قبل وبعد

تحتاج إلى كتابة معالجات الإدخال والمخرجات المقابلة للنموذج الذي تم إنشاؤه في SRC/External_Process ، وإعادة بناء تمديد ، قم بالتثبيت.

عملية التسجيل

 SELECT register_process();

تشغيل وظيفة التنبؤ

 SELECT predict_float([model_name], [ ' cpu ' / ' gpu ' ], [variable_input_column]) from [table];
SELECT predict_text([model_name], [ ' cpu ' / ' gpu ' ], [variable_input_column]) from [table];

دفعة تسارع تنبؤية

استخدم وظائف النافذة لتسريع التنبؤات بأحجام النوافذ المتغيرة.

 SELECT comment,predict_batch_text([model_name], [ ' cpu ' / ' gpu ' ], [variable_input_column]) over (rows between current row and [window_size] following)
AS result 
FROM [table];

SELECT comment,predict_batch_float8([model_name], [ ' cpu ' / ' gpu ' ], [variable_input_column]) over (rows between current row and [window_size] following)
AS result
FROM [table];

تركز المهام

 SELECT image_classification( < column_name > ) as task_result
FROM < table_name >
WHERE < conditions > ;

الطاولات

بعد استيراد النموذج ، يمكن للمستخدم عرض معلومات النموذج من خلال جدول Model_info.

 SELECT * from model_info;

متجر المتجهات

يدعم MorphingDB تخزين المتجهات ، بما في ذلك تخزين معلومات البعد المتجه. في morphingdb ، نوع المتجه هو MVEC.

إنشاء جدول مع MVEC

 create table vec_test (id integer , vec mvec);

أدخل المتجه

 insert into vec_test values ( 1 , ' [1.0,2.2,3.123,4.2]{4} ' );
insert into vec_test values ( 1 , ' [1.0,2.2,3.123,4.2] ' );
insert into vec_test values ( 1 , ' [1.0,2.2,3.123,4.2]{2,2} ' );
insert into vec_test values ( 1 , ARRAY[ 1 . 0 , 2 . 0 , 3 . 0 , 1 . 2345 ]::float4[]::mvec);

احصل على بيانات المتجه والشكل

 select get_mvec_shape(vec) from vec_test;
select get_mvec_data(vec) from vec_test;

تشغيل المتجهات

 update vec_test set vec = vec + vec;
update vec_test set vec = vec - text_to_mvec( ' [1,2,3,4] ' );

select * from vec_test where vec == ' [1,2.2,3.123,4.2] ' ;