Descarga de MorphingDB - Descargar el código fuente de MorphingDB

MorphingDB

Otro código fuente

1.0.0

Descargar

MorphingDB-Extensión

MorphingDB es una extensión PostgreSQL para admitir la inferencia del modelo de aprendizaje profundo dentro de la base de datos y el almacenamiento vectorial.
MorphingDB permite a los usuarios importar el modelo LibTorch y hacer inferencias utilizando datos desde la base de datos.
MorphingDB permite a los usuarios almacenar datos vectoriales con información dimensional, lo que permite que LibTorch funcione directamente con los datos vectoriales en la base de datos, los usuarios pueden almacenar datos preprocesados en vectores en la base de datos para acelerar la inferencia.
MorphingDB admite la inferencia centrada en el modelo y centrada en la tarea.

Comienzo rápido

Dowload Zip a la ruta del proyecto MorphingDB

modelo descipente

unzip models.zip -d ./model/

Use la imagen Docker desde Docker Hub

sudo docker pull morphingdb/morphingdb:1.0

o construir una imagen de Docker

sudo docker build -t morphingdb .

Crea 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

Entra Docker

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

Conectarse al servidor

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

Habilitar la extensión

CREATE EXTENSION pgdl;

Cómo usar

Crear modelo

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

Escribe proceso previo y post

Debe escribir los manejadores de entrada y salida correspondientes para el modelo creado en SRC/Exterior_Process, y reconstruir la extensión, haga instalar.

Proceso de registro

 SELECT register_process();

Función de predicción de ejecución

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

Aceleración predictiva por lotes

Use las funciones de la ventana para acelerar las predicciones con tamaños de ventana variables.

 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];

Tarea centrada

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

Mesas

Después de importar el modelo, el usuario puede ver la información del modelo a través de la tabla Model_info.

 SELECT * from model_info;

Tienda de vectores

MorphingDB admite el almacenamiento vectorial, incluido el almacenamiento de la información de dimensión vectorial. En MorphingDB, el tipo de vector es MVEC.

Crear tabla con MVEC

 create table vec_test (id integer , vec mvec);

Insertar vector

 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);

Obtener datos y forma de vector

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

Operación vectorial

 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] ' ;