语义搜索相关资源列表在嵌入语义中,作者描述了如何构建语义系统(也称为神经)。随着索引技术的改进,这些系统被越来越多地使用,并且随着新的深度学习论文的出现,表示学习每年都在变得更好。中篇文章解释了如何构建它们,此列表旨在引用有关该主题的所有有趣资源,以允许任何人快速开始构建系统。

None

相关推荐

封面图片

如何构建 Supabase 的 OpenAI 文档搜索(嵌入)

如何构建Supabase的OpenAI文档搜索(嵌入)ClippyGPT是Supabase下一代文档搜索工具,你可以向Clippy询问任何有关Supabase的问题,它将使用自然语言进行回答。这一切都得益于OpenAI和提示工程。视频覆盖以下内容:-Prompt工程和最佳实践-通过上下文注入+OpenAI嵌入来处理自定义知识库-如何使用pgvector在Postgres中存储嵌入#工具

封面图片

程序员如何学习和构建网络知识体系

封面图片

大规模检索增强生成 - 构建用于同步和摄取数十亿文本嵌入的分布式系统。| blog

大规模检索增强生成-构建用于同步和摄取数十亿文本嵌入的分布式系统。文章详细介绍了NeumAI的一些技术和架构细节——NeumAI是一个用于大规模嵌入管理、优化和同步的数据平台,本质上有助于大规模RAG。RAG通过以“自然方式”执行搜索来帮助快速查找数据,并使用该信息/知识为需要此类信息的更准确的人工智能应用程序提供支持。这是许多人在构建准确且最新的人工智能应用程序时采用的最新方法。

封面图片

亚洲象Pang Pha学会了如何剥香蕉皮 这种做法可能学习自人类

亚洲象PangPha学会了如何剥香蕉皮这种做法可能学习自人类"我们发现了一种非常独特的行为,"共同作者、柏林洪堡大学伯恩斯坦计算神经科学中心的迈克尔-布莱希特说。"使PangPha剥香蕉的行为如此独特的是各种因素的组合--这种熟练、速度、个性化的表现被认为是学习自于人类--而不是单一的行为要素。"布莱希特和他的合著者首先从PangPha的动物园看护人那里听说了她不寻常的能力,并决定进行一系列的实验,他们每轮向PangPha提供大约10根香蕉并拍摄她的行为。最初的实验是由PangPha单独进行的,虽然她在拿到香蕉时反复举起她的鼻子--这是大象典型的乞食行为--但在最初的几个星期里,这头大象没有剥任何香蕉的皮。最后,科学家们意识到,PangPha是否剥香蕉取决于香蕉的成熟度,她更喜欢把绿色或黄色的香蕉整个吃掉,而完全拒绝吃整个棕色的香蕉,必须剥皮。PangPha挑出黄褐色的香蕉来剥皮,而且她能比大多数人类做得更快。首先,她用象鼻的尖端抓住香蕉,然后用象鼻侧面将香蕉蹭裂。接下来,她摇晃香蕉,直到果肉掉出来。然后抓起果肉来吃并丢弃了果皮。这个过程一直持续到果皮内几乎没有果肉为止。PangPha通过用她的鼻子检查几次来确保这一点,以防有任何残留的果肉被她错过。在第二轮实验中,研究人员拍摄了PangPha与其他大象--即她的女儿Anchali和另一头名叫Drumbo的雌性亚洲象--一起吃香蕉的行为。在这种社会环境中,PangPha将大部分黄褐色的香蕉整个吃掉,而不是剥皮,但她保留了最后一根黄褐色的香蕉,并将那根香蕉剥了皮,其他大象都没有剥香蕉的行为。虽然互联网上有各种大象也剥香蕉的随机视频,但作者没有在柏林动物园的其他亚洲象中观察到这种行为,也没有在维也纳动物园饲养的非洲象中观察到。那么,PangPha是在哪里学会的呢?作者认为这源于她的早期历史。她在1987年到达动物园时还是个婴儿,她的饲养员部分地用奶瓶喂养她,她的主要饲养员也会在她面前剥香蕉,并把果肉喂给她,看来PangPha看到了这一点,并学会了如何自己做。然而,PangPha并没有将这种学习行为传给她的女儿Anchali,也许是因为PangPha更喜欢在她独自一人的时候剥香蕉。这一切表明,一般来说,大象具有意想不到的认知能力和操纵技能。"据推测,像这样源自人类的复杂操纵行为在大象或据我们所知的大多数其他物种中是未知的,"作者总结道。"我们对PangPha剥香蕉的案例研究提供了关于大象操纵和认知的洞察力,这是其他常规调查途径所不能提供的。"...PC版:https://www.cnbeta.com.tw/articles/soft/1354633.htm手机版:https://m.cnbeta.com.tw/view/1354633.htm

封面图片

用LlamaIndex、Redis和OpenAI与PDF文档进行交互,包含一个Jupyter笔记本,演示了如何使用Redis作为向量数据库来存储和检索文档向量,还展示了如何使用LlamaIndex在文档中执行语义搜索,以及如何利用OpenAI提供类似聊天机器人的体验

封面图片

Flower ( flwr) 是用于构建联邦学习系统的 #框架 。Flower 的设计基于以下几个指导原则:

(flwr)是用于构建联邦学习系统的#框架。Flower的设计基于以下几个指导原则:可定制:联邦学习系统因一个用例而异。Flower允许根据每个单独的用例的需要进行各种不同的配置。可扩展:Flower起源于牛津大学的一个研究项目,因此在构建时考虑了AI研究。许多组件可以扩展和覆盖以构建新的最先进的系统。与框架无关:不同的机器学习框架具有不同的优势。Flower可以与任何机器学习框架一起使用,例如PyTorch、TensorFlow、HuggingFaceTransformers、PyTorchLightning、MXNet、scikit-learn、JAX、TFLite,甚至适合喜欢手动计算梯度的用户的原始NumPy。可以理解:Flower的编写考虑了可维护性。鼓励社区阅读和贡献代码库

🔍 发送关键词来寻找群组、频道或视频。

启动SOSO机器人