MorphingDB Téléchargement - MorphingDB Source Téléchargement du code

MorphingDB

Autre code source

1.0.0

Télécharger

Morphingdb-extension

MorphingDB est une extension PostgreSQL pour soutenir l'inférence du modèle d'apprentissage en profondeur dans la base de données et le stockage vectoriel.
MorphingDB permet aux utilisateurs d'importer le modèle LiBtorch et de faire des inférences à l'aide de données à partir de la base de données.
MorphingDB permet aux utilisateurs de stocker des données vectorielles avec des informations dimensionnelles, permettant à LiBtorch de travailler directement avec les données vectorielles dans la base de données, les utilisateurs peuvent stocker les données prétraitées en vecteurs dans la base de données pour accélérer l'inférence.
MorphingDB prend en charge l'inférence centrée sur le modèle et centré sur la tâche.

Démarrage rapide

Dowload Zip sur MorphingDB Project Path

Modèle dézip

unzip models.zip -d ./model/

Utiliser l'image docker de Docker Hub

sudo docker pull morphingdb/morphingdb:1.0

ou construire l'image docker

sudo docker build -t morphingdb .

Créer 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

Entrez Docker

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

Se connecter au serveur

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

Activer l'extension

CREATE EXTENSION pgdl;

Comment utiliser

Créer un modèle

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

Écrire avant et après le processus

Vous devez écrire les gestionnaires d'entrée et de sortie correspondants pour le modèle créé dans SRC / EXTERNAL_PROCESS et Rebuild Extension, faites l'installation.

Enregistrer le processus

 SELECT register_process();

Exécuter la fonction de prédiction

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

Accélération prédictive par lots

Utilisez des fonctions de fenêtre pour accélérer les prédictions avec des tailles de fenêtre 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];

Tâche centrée sur la tâche

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

Tables

Une fois le modèle importé, l'utilisateur peut afficher les informations du modèle via la table Model_info.

 SELECT * from model_info;

Magasin vectoriel

MorphingDB prend en charge le stockage vectoriel, y compris le stockage des informations de dimension vectorielle. Dans MorphingDB, le type de vecteur est MVEC.

Créer une table avec MVEC

 create table vec_test (id integer , vec mvec);

Insérer un vecteur

 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);

Obtenir des données et une forme vectoriels

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

Opération vectorielle

 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] ' ;