Unduh MorphingDB - Unduh Kode Sumber MorphingDB

MorphingDB

Kode sumber lainnya

1.0.0

Unduh

Morphingdb-Extension

MorphingDB adalah ekstensi PostgreSQL untuk mendukung inferensi model pembelajaran mendalam dalam database dan penyimpanan vektor.
MorphingDB memungkinkan pengguna untuk mengimpor model liborTorch dan membuat kesimpulan menggunakan data dari dalam database.
MorphingDB memungkinkan pengguna untuk menyimpan data vektor dengan informasi dimensi, yang memungkinkan libtorch untuk bekerja secara langsung dengan data vektor dalam database, pengguna dapat menyimpan data yang diisi sebelumnya ke dalam vektor dalam database untuk mempercepat inferensi.
MorphingDB mendukung model inferensi sentris dan sentris tugas.

Awal yang cepat

Dowload Zip ke MorphingDB Project Path

Model unzip

unzip models.zip -d ./model/

Gunakan gambar Docker dari Docker Hub

sudo docker pull morphingdb/morphingdb:1.0

atau membangun gambar Docker

sudo docker build -t morphingdb .

Buat 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

Masukkan Docker

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

Terhubung ke server

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

Aktifkan ekstensi

CREATE EXTENSION pgdl;

Cara menggunakan

Buat model

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

Tulis Proses Pra dan Posting

Anda perlu menulis input dan penangan output yang sesuai untuk model yang dibuat di src/external_process, dan membangun kembali ekstensi, buat instal.

Proses pendaftaran

 SELECT register_process();

Jalankan fungsi prediksi

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

Akselerasi prediktif batch

Gunakan fungsi jendela untuk mempercepat prediksi dengan ukuran jendela variabel.

 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];

Centrik Tugas

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

Tabel

Setelah model diimpor, pengguna dapat melihat informasi model melalui tabel model_info.

 SELECT * from model_info;

Toko vektor

MorphingDB mendukung penyimpanan vektor, termasuk penyimpanan informasi dimensi vektor. Di MorphingDB, tipe vektor adalah MVEC.

Buat tabel dengan MVEC

 create table vec_test (id integer , vec mvec);

Masukkan vektor

 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);

Dapatkan data dan bentuk vektor

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

Operasi vektor

 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] ' ;