ดาวน์โหลด MorphingDB - MorphingDB ซอร์สโค้ดดาวน์โหลดดาวน์โหลด

MorphingDB

ซอร์สโค้ดอื่น ๆ

1.0.0

ดาวน์โหลด

morphingdb-extension

MorphingDB เป็นส่วนขยาย PostgreSQL สำหรับการสนับสนุนการอนุมานแบบจำลองการเรียนรู้ลึกภายในฐานข้อมูลและที่เก็บเวกเตอร์
MorphingDB ช่วยให้ผู้ใช้สามารถนำเข้าโมเดล libtorch และทำการอนุมานโดยใช้ข้อมูลจากภายในฐานข้อมูล
MorphingDB ช่วยให้ผู้ใช้สามารถจัดเก็บข้อมูลเวกเตอร์ด้วยข้อมูลมิติช่วยให้ Libtorch ทำงานโดยตรงกับข้อมูลเวกเตอร์ในฐานข้อมูลผู้ใช้สามารถจัดเก็บข้อมูลล่วงหน้าลงในเวกเตอร์ในฐานข้อมูลเพื่อเพิ่มความเร็วในการอนุมาน
MorphingDB รองรับการอนุมานเป็นศูนย์กลางและการอนุมานเป็นศูนย์กลาง

เริ่มต้นอย่างรวดเร็ว

Dowload zip ไปยังเส้นทางโครงการ MorphingDB

รุ่นคลายซิป

unzip models.zip -d ./model/

ใช้อิมเมจนักเทียบท่าจาก Docker Hub

sudo docker pull morphingdb/morphingdb:1.0

หรือสร้างภาพนักเทียบท่า

sudo docker build -t morphingdb .

สร้าง 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

ป้อน Docker

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

เชื่อมต่อกับเซิร์ฟเวอร์

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

เปิดใช้งานส่วนขยาย

CREATE EXTENSION pgdl;

วิธีใช้

สร้างโมเดล

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

เขียนกระบวนการก่อนและโพสต์

คุณต้องเขียนอินพุตและตัวจัดการเอาท์พุทที่เกี่ยวข้องสำหรับรุ่นที่สร้างขึ้นใน SRC/external_Process และสร้างส่วนขยายสร้างใหม่ทำให้ติดตั้ง

ลงทะเบียนกระบวนการ

 SELECT register_process();

ฟังก์ชั่นการทำนาย

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

การเร่งความเร็วแบบคาดการณ์

ใช้ฟังก์ชั่นหน้าต่างเพื่อเพิ่มความเร็วในการทำนายด้วยขนาดหน้าต่างตัวแปร

 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];

เป็นศูนย์กลางงาน

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

โต๊ะ

หลังจากนำเข้าโมเดลผู้ใช้สามารถดูข้อมูลโมเดลผ่านตาราง model_info

 SELECT * from model_info;

ร้านค้าเวกเตอร์

MorphingDB รองรับการจัดเก็บเวกเตอร์รวมถึงการจัดเก็บข้อมูลขนาดเวกเตอร์ ใน MorphingDB ประเภทเวกเตอร์คือ MVEC

สร้างตารางด้วย MVEC

 create table vec_test (id integer , vec mvec);

แทรกเวกเตอร์

 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);

รับข้อมูลและรูปร่างเวกเตอร์

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

การดำเนินการเวกเตอร์

 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] ' ;