spanking

Espancar?

Para usar o? Classe VectorDB e acesse sua funcionalidade através de uma linda interface do usuário, siga estas etapas:

Clonando o repositório

Primeiro, clone o repositório para sua máquina local:

git clone https://github.com/rishiraj/spanking.git
cd spanking

Executando a interface do usuário

Para gerenciar seu banco de dados vetorial por meio de uma interface da web intuitiva, você pode executar o script app.py fornecido:

python app.py

Isso iniciará um servidor da web local. Você pode acessar a interface do usuário navegando para http://127.0.0.1:5000 no seu navegador da web.

Recursos da interface do usuário

• Adicione novos textos: Adicione facilmente textos ao seu banco de dados vetorial através da interface.
• Veja e gerencie textos: consulte todos os textos armazenados, atualize -os ou exclua -os com um único clique.
• Funcionalidade de pesquisa: execute pesquisas de texto ou imagem no seu banco de dados e visualize os resultados diretamente no seu navegador.
• Salvar e carregar banco de dados: salve seu banco de dados em um arquivo ou carregue -o de um estado salvo anteriormente com facilidade.

Usando o? Classe VectorDB programaticamente

Se você preferir trabalhar com código, poderá interagir diretamente com a classe VectorDB . Aqui está como:

1. Crie uma instância:

    from spanking import VectorDB
   vector_db = VectorDB ( model_name = 'BAAI/bge-base-en-v1.5' )

   Opcionalmente, você pode especificar um modelo de transformador de sentença pré-treinado diferente, passando seu nome para o construtor.

2. Adicionar textos:

    texts = [ "i eat pizza" , "i play chess" , "i drive bus" ]
   vector_db . add_texts ( texts )

   Isso codificará os textos em incorporação e os armazenará no banco de dados.

3. Procure textos ou imagens semelhantes:

    text_query = "we play football"
   text_results = vector_db . search ( text_query , top_k = 2 , type = 'text' )
   print ( "Text search results:" )
   for text , similarity in text_results :
       print ( f"Text: { text } , Similarity: { similarity } " )
   
   image_url = "https://example.com/image.jpg"
   image_results = vector_db . search ( image_url , top_k = 2 , type = 'image' )
   print ( " n Image search results:" )
   for text , similarity in image_results :
       print ( f"Text: { text } , Similarity: { similarity } " )

   Isso recuperará os 2 melhores textos ou imagens mais semelhantes à consulta com base na similaridade de cosseno. O método search retorna uma lista de tuplas, onde cada tupla contém o texto e sua pontuação de similaridade. Você pode especificar o tipo de pesquisa usando o parâmetro type ( 'text' para pesquisa de texto e 'image' para pesquisa de imagem).

4. Exclua um texto:

    index = 1
   vector_db . delete_text ( index )

   Isso removerá o texto e a incorporação correspondente no índice especificado.

5. Atualize um texto:

    index = 0
   new_text = "i enjoy eating pizza"
   vector_db . update_text ( index , new_text )

   Isso atualizará o texto e sua incorporação correspondente no índice especificado com o novo texto.

6. Salve o banco de dados:

    vector_db . save ( 'vector_db.pkl' )

   Isso salvará o estado atual da instância VectorDB em um arquivo chamado 'vector_db.pkl'.

7. Carregue o banco de dados:

    vector_db = VectorDB . load ( 'vector_db.pkl' )

   Isso carregará a instância VectorDB do arquivo chamado 'Vector_db.pkl' e retornará.

8. Converter em dataframe:

    df = vector_db . to_df ()

   Isso converterá o estado atual da instância VectorDB em um quadro de dados de pandas.

9. Itera textos armazenados:

    for text in vector_db :
       print ( text )

10. Acesse textos individuais por índice:

     index = 2
    text = vector_db [ index ]
    print ( text )

11. Obtenha o número de textos:

     num_texts = len ( vector_db )
    print ( num_texts )

Exemplo de uso

Aqui está um exemplo para demonstrar como você pode usar o? Classe VectorDB :

 from spanking import VectorDB
vector_db = VectorDB ()

# Add texts to the database
texts = [ "i eat pizza" , "i play chess" , "i drive bus" ]
vector_db . add_texts ( texts )

# Search for similar texts
query = "we play football"
top_results = vector_db . search ( query , top_k = 2 )
print ( "Top results:" )
for text , similarity in top_results :
    print ( f"Text: { text } , Similarity: { similarity } " )

# Update a text
vector_db . update_text ( 1 , "i enjoy playing chess" )

# Delete a text
vector_db . delete_text ( 2 )

# Save the database
vector_db . save ( 'vector_db.pkl' )

# Load the database
loaded_vector_db = VectorDB . load ( 'vector_db.pkl' )

# Iterate over the stored texts in the loaded database
print ( " n Stored texts in the loaded database:" )
for text in loaded_vector_db :
    print ( text )

# Convert to dataframe
df = loaded_vector_db . to_df ()
print ( df . head ())

Este exemplo demonstra como criar um? Instância VectorDB , adicione textos, pesquise textos semelhantes, atualize e exclua textos e itera sobre os textos armazenados.