Sentence Transformers
Milvus 通过 SentenceTransformerEmbeddingFunction 类集成了 句子转换器 (opens in a new tab) 预训练模型。这个类提供了使用预训练的句子转换器模型对文档和查询进行编码的方法，并将嵌入作为与 Milvus 索引兼容的密集向量返回。
要安装必要的句子转换器 Python 包，请使用以下命令：
pip install sentence-transformers然后，实例化 SentenceTransformerEmbeddingFunction：
from pymilvus import model
sentence_transformer_ef = model.dense.SentenceTransformerEmbeddingFunction(
model_name='all-MiniLM-L6-v2', # 指定模型名称
device='cpu' # 指定设备，例如 'cpu' 或 'cuda:0'
)参数：
-
model_name (string)
用于编码的句子转换器模型的名称。默认值为 all-MiniLM-L6-v2。你可以使用任何句子转换器的预训练模型。有关可用模型的列表，请参考 预训练模型 (opens in a new tab)。
-
device (string)
用于设备名称，使用 cpu 表示 CPU，cuda: n 表示第 n 个 GPU 设备。
要为文档创建嵌入，使用 encode_documents() 方法：
docs = [
"人工智能是在1956年作为一门学科创建的。",
"阿兰·图灵是第一位进行深入研究人工智能的人。",
"图灵出生在伦敦的梅达维尔，成长在英格兰南部。",
]
docs_embeddings = sentence_transformer_ef.encode_documents(docs)
# 输出嵌入
print("嵌入:", docs_embeddings)
# 输出嵌入的维度和形状
print("维度:", sentence_transformer_ef.dim, docs_embeddings[0].shape)预期输出类似于以下内容：
嵌入: [array([-3.09392996e-02, -1.80662833e-02, 1.34775648e-02, 2.77156215e-02,
-4.86349640e-03, -3.12581174e-02, -3.55921760e-02, 5.76934684e-03,
2.80773244e-03, 1.35783911e-01, 3.59678417e-02, 6.17732145e-02,
...
-4.61330153e-02, -4.85207550e-02, 3.13997865e-02, 7.82178566e-02,
-4.75336798e-02, 5.21207601e-02, 9.04406682e-02, -5.36676683e-02],
dtype=float32)]
维度: 384 (384,)要为查询创建嵌入，使用 encode_queries() 方法：
queries = ["人工智能是在什么时候创建的？",
"阿兰·图灵出生在哪里？"]
query_embeddings = sentence_transformer_ef.encode_queries(queries)
# 输出嵌入
print("嵌入:", query_embeddings)
# 输出嵌入的维度和形状
print("维度:", sentence_transformer_ef.dim, query_embeddings[0].shape)预期输出类似于以下内容：
嵌入: [array([-2.52114702e-02, -5.29330298e-02, 1.14570223e-02, 1.95571519e-02,
-2.46500354e-02, -2.66519729e-02, -8.48201662e-03, 2.82961670e-02,
-3.65092754e-02, 7.50745758e-02, 4.28900979e-02, 7.18822703e-02,
...
-6.76431581e-02, -6.45996556e-02, -4.67132553e-02, 4.78532910e-02,
-2.31596199e-03, 4.13446948e-02, 1.06935494e-01, -1.08258888e-01],
dtype=float32)]
维度: 384 (384,)