 TensorFlow.org এ দেখুন |  GitHub এ দেখুন |  নোটবুক ডাউনলোড করুন |  TF হাব মডেল দেখুন |
এই টিউটোরিয়ালটি ব্যাখ্যা করে কিভাবে একটি টেনসরফ্লো হাব (TF-হাব) মডিউল থেকে প্রদত্ত ইনপুট ডেটা থেকে এম্বেডিং তৈরি করতে হয় এবং এক্সট্র্যাক্ট করা এমবেডিংগুলি ব্যবহার করে একটি আনুমানিক নিকটবর্তী প্রতিবেশী (ANN) সূচক তৈরি করতে হয়। সূচকটি তখন রিয়েল-টাইম মিল এবং পুনরুদ্ধারের জন্য ব্যবহার করা যেতে পারে।
ডেটার একটি বৃহৎ কর্পাস নিয়ে কাজ করার সময়, রিয়েল-টাইমে একটি প্রদত্ত ক্যোয়ারির সাথে সর্বাধিক অনুরূপ আইটেমগুলি খুঁজে পেতে পুরো সংগ্রহস্থলটি স্ক্যান করে সঠিক ম্যাচিং করা কার্যকর নয়৷ এইভাবে, আমরা একটি আনুমানিক সাদৃশ্য ম্যাচিং অ্যালগরিদম ব্যবহার করি যা আমাদের গতিতে উল্লেখযোগ্য বৃদ্ধির জন্য সঠিক নিকটতম প্রতিবেশী ম্যাচগুলি খুঁজে পেতে কিছুটা নির্ভুলতা বাণিজ্য করতে দেয়।
এই টিউটোরিয়ালে, আমরা খবরের শিরোনামগুলির একটি অংশে রিয়েল-টাইম টেক্সট অনুসন্ধানের একটি উদাহরণ দেখাই যা একটি প্রশ্নের সাথে সবচেয়ে বেশি মিল পাওয়া যায় এমন শিরোনামগুলি খুঁজে পেতে৷ কীওয়ার্ড অনুসন্ধানের বিপরীতে, এটি টেক্সট এম্বেডিং-এ এনকোড করা শব্দার্থিক সাদৃশ্যকে ক্যাপচার করে।
এই টিউটোরিয়ালের ধাপগুলো হল:
- নমুনা ডেটা ডাউনলোড করুন।
- একটি TF-Hub মডিউল ব্যবহার করে ডেটার জন্য এম্বেডিং তৈরি করুন
- এম্বেডিংয়ের জন্য একটি ANN সূচক তৈরি করুন
- সাদৃশ্য মিলের জন্য সূচক ব্যবহার করুন
TF-Hub মডিউল থেকে এমবেডিং তৈরি করতে আমরা Apache Beam ব্যবহার করি। আনুমানিক নিকটতম প্রতিবেশীদের সূচক তৈরি করতে আমরা Spotify-এর ANNOY লাইব্রেরিও ব্যবহার করি।
আরও মডেল
একই স্থাপত্যের মডেলগুলির জন্য কিন্তু একটি ভিন্ন ভাষায় প্রশিক্ষিত ছিল, এই সংগ্রহটি পড়ুন। এখানে আপনি বর্তমানে tfhub.dev- এ হোস্ট করা সমস্ত টেক্সট এম্বেডিং খুঁজে পেতে পারেন।
সেটআপ
প্রয়োজনীয় লাইব্রেরি ইনস্টল করুন।
pip install -q apache_beampip install -q 'scikit_learn~=0.23.0' # For gaussian_random_matrix.pip install -q annoy
প্রয়োজনীয় লাইব্রেরি আমদানি করুন
import os
import sys
import pickle
from collections import namedtuple
from datetime import datetime
import numpy as np
import apache_beam as beam
from apache_beam.transforms import util
import tensorflow as tf
import tensorflow_hub as hub
import annoy
from sklearn.random_projection import gaussian_random_matrix
print('TF version: {}'.format(tf.__version__))
print('TF-Hub version: {}'.format(hub.__version__))
print('Apache Beam version: {}'.format(beam.__version__))
TF version: 2.4.0 TF-Hub version: 0.11.0 Apache Beam version: 2.26.0
1. নমুনা ডেটা ডাউনলোড করুন
একটি মিলিয়ন নিউজ হেডলাইন ডেটাসেটে 15 বছর ধরে প্রকাশিত খবরের শিরোনাম রয়েছে যা স্বনামধন্য অস্ট্রেলিয়ান ব্রডকাস্টিং কর্পোরেশন (ABC) থেকে নেওয়া হয়েছে। এই নিউজ ডেটাসেটে অস্ট্রেলিয়ার উপর আরও দানাদার ফোকাস সহ 2003-এর শুরু থেকে 2017-এর শেষ পর্যন্ত বিশ্বের উল্লেখযোগ্য ঘটনাগুলির একটি সংক্ষিপ্ত ঐতিহাসিক রেকর্ড রয়েছে৷
বিন্যাস : ট্যাব-বিচ্ছিন্ন দুই-কলাম ডেটা: 1) প্রকাশের তারিখ এবং 2) শিরোনাম পাঠ্য। আমরা শুধুমাত্র শিরোনাম টেক্সট আগ্রহী.
wget 'https://dataverse.harvard.edu/api/access/datafile/3450625?format=tab&gbrecs=true' -O raw.tsvwc -l raw.tsvhead raw.tsv
--2021-01-07 12:50:08-- https://dataverse.harvard.edu/api/access/datafile/3450625?format=tab&gbrecs=true Resolving dataverse.harvard.edu (dataverse.harvard.edu)... 206.191.184.198 Connecting to dataverse.harvard.edu (dataverse.harvard.edu)|206.191.184.198|:443... connected. HTTP request sent, awaiting response... 200 OK Length: 57600231 (55M) [text/tab-separated-values] Saving to: ‘raw.tsv’ raw.tsv 100%[===================>] 54.93M 14.7MB/s in 4.4s 2021-01-07 12:50:14 (12.4 MB/s) - ‘raw.tsv’ saved [57600231/57600231] 1103664 raw.tsv publish_date headline_text 20030219 "aba decides against community broadcasting licence" 20030219 "act fire witnesses must be aware of defamation" 20030219 "a g calls for infrastructure protection summit" 20030219 "air nz staff in aust strike for pay rise" 20030219 "air nz strike to affect australian travellers" 20030219 "ambitious olsson wins triple jump" 20030219 "antic delighted with record breaking barca" 20030219 "aussie qualifier stosur wastes four memphis match" 20030219 "aust addresses un security council over iraq"
সরলতার জন্য, আমরা শুধুমাত্র শিরোনাম টেক্সট রাখি এবং প্রকাশনার তারিখ সরিয়ে দিই
!rm -r corpus
!mkdir corpus
with open('corpus/text.txt', 'w') as out_file:
with open('raw.tsv', 'r') as in_file:
for line in in_file:
headline = line.split('\t')[1].strip().strip('"')
out_file.write(headline+"\n")
rm: cannot remove 'corpus': No such file or directory
tail corpus/text.txtsevere storms forecast for nye in south east queensland snake catcher pleads for people not to kill reptiles south australia prepares for party to welcome new year strikers cool off the heat with big win in adelaide stunning images from the sydney to hobart yacht the ashes smiths warners near miss liven up boxing day test timelapse: brisbanes new year fireworks what 2017 meant to the kids of australia what the papodopoulos meeting may mean for ausus who is george papadopoulos the former trump campaign aide
2. ডেটার জন্য এমবেডিং তৈরি করুন।
এই টিউটোরিয়ালে, আমরা হেডলাইন ডেটার জন্য এম্বেডিং তৈরি করতে নিউরাল নেটওয়ার্ক ল্যাঙ্গুয়েজ মডেল (NNLM) ব্যবহার করি। বাক্য এমবেডিংগুলি তখন সহজেই বাক্য স্তরের অর্থ সাদৃশ্য গণনা করতে ব্যবহার করা যেতে পারে। আমরা Apache Beam ব্যবহার করে এমবেডিং জেনারেশন প্রক্রিয়া চালাই।
এম্বেডিং নিষ্কাশন পদ্ধতি
embed_fn = None
def generate_embeddings(text, module_url, random_projection_matrix=None):
# Beam will run this function in different processes that need to
# import hub and load embed_fn (if not previously loaded)
global embed_fn
if embed_fn is None:
embed_fn = hub.load(module_url)
embedding = embed_fn(text).numpy()
if random_projection_matrix is not None:
embedding = embedding.dot(random_projection_matrix)
return text, embedding
tf.Example পদ্ধতিতে রূপান্তর করুন
def to_tf_example(entries):
examples = []
text_list, embedding_list = entries
for i in range(len(text_list)):
text = text_list[i]
embedding = embedding_list[i]
features = {
'text': tf.train.Feature(
bytes_list=tf.train.BytesList(value=[text.encode('utf-8')])),
'embedding': tf.train.Feature(
float_list=tf.train.FloatList(value=embedding.tolist()))
}
example = tf.train.Example(
features=tf.train.Features(
feature=features)).SerializeToString(deterministic=True)
examples.append(example)
return examples
রশ্মি পাইপলাইন
def run_hub2emb(args):
'''Runs the embedding generation pipeline'''
options = beam.options.pipeline_options.PipelineOptions(**args)
args = namedtuple("options", args.keys())(*args.values())
with beam.Pipeline(args.runner, options=options) as pipeline:
(
pipeline
| 'Read sentences from files' >> beam.io.ReadFromText(
file_pattern=args.data_dir)
| 'Batch elements' >> util.BatchElements(
min_batch_size=args.batch_size, max_batch_size=args.batch_size)
| 'Generate embeddings' >> beam.Map(
generate_embeddings, args.module_url, args.random_projection_matrix)
| 'Encode to tf example' >> beam.FlatMap(to_tf_example)
| 'Write to TFRecords files' >> beam.io.WriteToTFRecord(
file_path_prefix='{}/emb'.format(args.output_dir),
file_name_suffix='.tfrecords')
)
র্যান্ডম প্রজেকশন ওজন ম্যাট্রিক্স তৈরি করা
এলোমেলো অভিক্ষেপ একটি সহজ, কিন্তু শক্তিশালী কৌশল যা ইউক্লিডীয় স্থানের মধ্যে থাকা বিন্দুগুলির একটি সেটের মাত্রা কমাতে ব্যবহৃত হয়। একটি তাত্ত্বিক পটভূমির জন্য, Johnson-Lindenstrauss lemma দেখুন।
এলোমেলো অভিক্ষেপের সাথে এম্বেডিংয়ের মাত্রা হ্রাস করার অর্থ হল ANN সূচক তৈরি এবং অনুসন্ধান করতে কম সময় প্রয়োজন৷
এই টিউটোরিয়ালে আমরা Scikit-learn লাইব্রেরি থেকে Gaussian Random Projection ব্যবহার করি।
def generate_random_projection_weights(original_dim, projected_dim):
random_projection_matrix = None
random_projection_matrix = gaussian_random_matrix(
n_components=projected_dim, n_features=original_dim).T
print("A Gaussian random weight matrix was creates with shape of {}".format(random_projection_matrix.shape))
print('Storing random projection matrix to disk...')
with open('random_projection_matrix', 'wb') as handle:
pickle.dump(random_projection_matrix,
handle, protocol=pickle.HIGHEST_PROTOCOL)
return random_projection_matrix
পরামিতি সেট করুন
আপনি যদি এলোমেলো অভিক্ষেপ ছাড়াই মূল এম্বেডিং স্থান ব্যবহার করে একটি সূচক তৈরি করতে চান তবে projected_dim প্যারামিটারটি None এ সেট করুন। মনে রাখবেন যে এটি উচ্চ-মাত্রিক এম্বেডিংয়ের জন্য ইন্ডেক্সিং ধাপকে ধীর করে দেবে।
module_url = 'https://tfhub.dev/google/nnlm-en-dim128/2'
projected_dim = 64
পাইপলাইন চালান
import tempfile
output_dir = tempfile.mkdtemp()
original_dim = hub.load(module_url)(['']).shape[1]
random_projection_matrix = None
if projected_dim:
random_projection_matrix = generate_random_projection_weights(
original_dim, projected_dim)
args = {
'job_name': 'hub2emb-{}'.format(datetime.utcnow().strftime('%y%m%d-%H%M%S')),
'runner': 'DirectRunner',
'batch_size': 1024,
'data_dir': 'corpus/*.txt',
'output_dir': output_dir,
'module_url': module_url,
'random_projection_matrix': random_projection_matrix,
}
print("Pipeline args are set.")
args
A Gaussian random weight matrix was creates with shape of (128, 64)
Storing random projection matrix to disk...
Pipeline args are set.
/tmpfs/src/tf_docs_env/lib/python3.6/site-packages/sklearn/utils/deprecation.py:86: FutureWarning: Function gaussian_random_matrix is deprecated; gaussian_random_matrix is deprecated in 0.22 and will be removed in version 0.24.
warnings.warn(msg, category=FutureWarning)
{'job_name': 'hub2emb-210107-125029',
'runner': 'DirectRunner',
'batch_size': 1024,
'data_dir': 'corpus/*.txt',
'output_dir': '/tmp/tmp0g361gzp',
'module_url': 'https://tfhub.dev/google/nnlm-en-dim128/2',
'random_projection_matrix': array([[-0.1349755 , -0.12082699, 0.07092581, ..., -0.02680793,
-0.0459312 , -0.20462361],
[-0.06197901, 0.01832142, 0.21362496, ..., 0.06641898,
0.14553738, -0.117217 ],
[ 0.03452009, 0.14239163, 0.01371371, ..., 0.10422342,
0.02966668, -0.07094185],
...,
[ 0.03384223, 0.05102025, 0.01941788, ..., -0.07500625,
0.09584965, -0.08593636],
[ 0.11010087, -0.10597793, 0.06668758, ..., -0.0518654 ,
-0.14681441, 0.08449293],
[ 0.26909502, -0.0291555 , 0.04305639, ..., -0.02295843,
0.1164921 , -0.04828371]])}
print("Running pipeline...")
%time run_hub2emb(args)
print("Pipeline is done.")
WARNING:apache_beam.runners.interactive.interactive_environment:Dependencies required for Interactive Beam PCollection visualization are not available, please use: `pip install apache-beam[interactive]` to install necessary dependencies to enable all data visualization features. Running pipeline... Warning:tensorflow:5 out of the last 5 calls to <function recreate_function.<locals>.restored_function_body at 0x7efcac3599d8> triggered tf.function retracing. Tracing is expensive and the excessive number of tracings could be due to (1) creating @tf.function repeatedly in a loop, (2) passing tensors with different shapes, (3) passing Python objects instead of tensors. For (1), please define your @tf.function outside of the loop. For (2), @tf.function has experimental_relax_shapes=True option that relaxes argument shapes that can avoid unnecessary retracing. For (3), please refer to https://www.tensorflow.org/guide/function#controlling_retracing and https://www.tensorflow.org/api_docs/python/tf/function for more details. Warning:tensorflow:5 out of the last 5 calls to <function recreate_function.<locals>.restored_function_body at 0x7efcac3599d8> triggered tf.function retracing. Tracing is expensive and the excessive number of tracings could be due to (1) creating @tf.function repeatedly in a loop, (2) passing tensors with different shapes, (3) passing Python objects instead of tensors. For (1), please define your @tf.function outside of the loop. For (2), @tf.function has experimental_relax_shapes=True option that relaxes argument shapes that can avoid unnecessary retracing. For (3), please refer to https://www.tensorflow.org/guide/function#controlling_retracing and https://www.tensorflow.org/api_docs/python/tf/function for more details. Warning:tensorflow:6 out of the last 6 calls to <function recreate_function.<locals>.restored_function_body at 0x7efcac475598> triggered tf.function retracing. Tracing is expensive and the excessive number of tracings could be due to (1) creating @tf.function repeatedly in a loop, (2) passing tensors with different shapes, (3) passing Python objects instead of tensors. For (1), please define your @tf.function outside of the loop. For (2), @tf.function has experimental_relax_shapes=True option that relaxes argument shapes that can avoid unnecessary retracing. For (3), please refer to https://www.tensorflow.org/guide/function#controlling_retracing and https://www.tensorflow.org/api_docs/python/tf/function for more details. Warning:tensorflow:6 out of the last 6 calls to <function recreate_function.<locals>.restored_function_body at 0x7efcac475598> triggered tf.function retracing. Tracing is expensive and the excessive number of tracings could be due to (1) creating @tf.function repeatedly in a loop, (2) passing tensors with different shapes, (3) passing Python objects instead of tensors. For (1), please define your @tf.function outside of the loop. For (2), @tf.function has experimental_relax_shapes=True option that relaxes argument shapes that can avoid unnecessary retracing. For (3), please refer to https://www.tensorflow.org/guide/function#controlling_retracing and https://www.tensorflow.org/api_docs/python/tf/function for more details. WARNING:apache_beam.io.tfrecordio:Couldn't find python-snappy so the implementation of _TFRecordUtil._masked_crc32c is not as fast as it could be. CPU times: user 9min 4s, sys: 10min 14s, total: 19min 19s Wall time: 2min 30s Pipeline is done.
ls {output_dir}emb-00000-of-00001.tfrecords
জেনারেট করা কিছু এমবেডিং পড়ুন...
embed_file = os.path.join(output_dir, 'emb-00000-of-00001.tfrecords')
sample = 5
# Create a description of the features.
feature_description = {
'text': tf.io.FixedLenFeature([], tf.string),
'embedding': tf.io.FixedLenFeature([projected_dim], tf.float32)
}
def _parse_example(example):
# Parse the input `tf.Example` proto using the dictionary above.
return tf.io.parse_single_example(example, feature_description)
dataset = tf.data.TFRecordDataset(embed_file)
for record in dataset.take(sample).map(_parse_example):
print("{}: {}".format(record['text'].numpy().decode('utf-8'), record['embedding'].numpy()[:10]))
headline_text: [ 0.07743962 -0.10065071 -0.03604915 0.03902601 0.02538098 -0.01991337 -0.11972483 0.03102058 0.16498186 -0.04299153] aba decides against community broadcasting licence: [ 0.02420221 -0.07736929 0.05655728 -0.18739551 0.11344934 0.12652674 -0.18189304 0.00422473 0.13149698 0.01910412] act fire witnesses must be aware of defamation: [-0.17413895 -0.05418579 0.07769868 0.05096476 0.08622053 0.33112594 0.04067763 0.00448784 0.15882017 0.33829722] a g calls for infrastructure protection summit: [ 0.16939437 -0.18585566 -0.14201084 -0.21779229 -0.1374832 0.14933842 -0.19583155 0.12921487 0.09811856 0.099967 ] air nz staff in aust strike for pay rise: [ 0.0230642 -0.03269081 0.18271443 0.23761444 -0.01575144 0.06109515 -0.01963143 -0.05211507 0.06050447 -0.20023327]
3. এম্বেডিংয়ের জন্য ANN সূচক তৈরি করুন
ANNOY (আনুমানিক নিকটতম প্রতিবেশী ওহ হ্যাঁ) হল একটি C++ লাইব্রেরি যেখানে পাইথন বাইন্ডিং রয়েছে যা একটি নির্দিষ্ট কোয়েরি পয়েন্টের কাছাকাছি স্থানের পয়েন্টগুলি অনুসন্ধান করতে পারে৷ এটি মেমরিতে ম্যাপ করা বড় শুধুমাত্র-পঠনযোগ্য ফাইল-ভিত্তিক ডেটা স্ট্রাকচার তৈরি করে। এটি সঙ্গীত সুপারিশের জন্য Spotify দ্বারা নির্মিত এবং ব্যবহার করা হয়। আপনি যদি আগ্রহী হন তবে আপনি ANNOY-এর অন্যান্য বিকল্প যেমন NGT , FAISS ইত্যাদির সাথে খেলতে পারেন।
def build_index(embedding_files_pattern, index_filename, vector_length,
metric='angular', num_trees=100):
'''Builds an ANNOY index'''
annoy_index = annoy.AnnoyIndex(vector_length, metric=metric)
# Mapping between the item and its identifier in the index
mapping = {}
embed_files = tf.io.gfile.glob(embedding_files_pattern)
num_files = len(embed_files)
print('Found {} embedding file(s).'.format(num_files))
item_counter = 0
for i, embed_file in enumerate(embed_files):
print('Loading embeddings in file {} of {}...'.format(i+1, num_files))
dataset = tf.data.TFRecordDataset(embed_file)
for record in dataset.map(_parse_example):
text = record['text'].numpy().decode("utf-8")
embedding = record['embedding'].numpy()
mapping[item_counter] = text
annoy_index.add_item(item_counter, embedding)
item_counter += 1
if item_counter % 100000 == 0:
print('{} items loaded to the index'.format(item_counter))
print('A total of {} items added to the index'.format(item_counter))
print('Building the index with {} trees...'.format(num_trees))
annoy_index.build(n_trees=num_trees)
print('Index is successfully built.')
print('Saving index to disk...')
annoy_index.save(index_filename)
print('Index is saved to disk.')
print("Index file size: {} GB".format(
round(os.path.getsize(index_filename) / float(1024 ** 3), 2)))
annoy_index.unload()
print('Saving mapping to disk...')
with open(index_filename + '.mapping', 'wb') as handle:
pickle.dump(mapping, handle, protocol=pickle.HIGHEST_PROTOCOL)
print('Mapping is saved to disk.')
print("Mapping file size: {} MB".format(
round(os.path.getsize(index_filename + '.mapping') / float(1024 ** 2), 2)))
embedding_files = "{}/emb-*.tfrecords".format(output_dir)
embedding_dimension = projected_dim
index_filename = "index"
!rm {index_filename}
!rm {index_filename}.mapping
%time build_index(embedding_files, index_filename, embedding_dimension)
rm: cannot remove 'index': No such file or directory rm: cannot remove 'index.mapping': No such file or directory Found 1 embedding file(s). Loading embeddings in file 1 of 1... 100000 items loaded to the index 200000 items loaded to the index 300000 items loaded to the index 400000 items loaded to the index 500000 items loaded to the index 600000 items loaded to the index 700000 items loaded to the index 800000 items loaded to the index 900000 items loaded to the index 1000000 items loaded to the index 1100000 items loaded to the index A total of 1103664 items added to the index Building the index with 100 trees... Index is successfully built. Saving index to disk... Index is saved to disk. Index file size: 1.61 GB Saving mapping to disk... Mapping is saved to disk. Mapping file size: 50.61 MB CPU times: user 9min 54s, sys: 53.9 s, total: 10min 48s Wall time: 5min 5s
lscorpus random_projection_matrix index raw.tsv index.mapping tf2_semantic_approximate_nearest_neighbors.ipynb
4. সাদৃশ্য মিলের জন্য সূচক ব্যবহার করুন
এখন আমরা ANN সূচক ব্যবহার করতে পারি সংবাদ শিরোনামগুলি খুঁজে পেতে যা শব্দার্থগতভাবে একটি ইনপুট কোয়েরির কাছাকাছি।
সূচক এবং ম্যাপিং ফাইলগুলি লোড করুন
index = annoy.AnnoyIndex(embedding_dimension)
index.load(index_filename, prefault=True)
print('Annoy index is loaded.')
with open(index_filename + '.mapping', 'rb') as handle:
mapping = pickle.load(handle)
print('Mapping file is loaded.')
Annoy index is loaded. /tmpfs/src/tf_docs_env/lib/python3.6/site-packages/ipykernel_launcher.py:1: FutureWarning: The default argument for metric will be removed in future version of Annoy. Please pass metric='angular' explicitly. """Entry point for launching an IPython kernel. Mapping file is loaded.
সাদৃশ্য মেলা পদ্ধতি
def find_similar_items(embedding, num_matches=5):
'''Finds similar items to a given embedding in the ANN index'''
ids = index.get_nns_by_vector(
embedding, num_matches, search_k=-1, include_distances=False)
items = [mapping[i] for i in ids]
return items
প্রদত্ত ক্যোয়ারী থেকে এমবেডিং বের করুন
# Load the TF-Hub module
print("Loading the TF-Hub module...")
%time embed_fn = hub.load(module_url)
print("TF-Hub module is loaded.")
random_projection_matrix = None
if os.path.exists('random_projection_matrix'):
print("Loading random projection matrix...")
with open('random_projection_matrix', 'rb') as handle:
random_projection_matrix = pickle.load(handle)
print('random projection matrix is loaded.')
def extract_embeddings(query):
'''Generates the embedding for the query'''
query_embedding = embed_fn([query])[0].numpy()
if random_projection_matrix is not None:
query_embedding = query_embedding.dot(random_projection_matrix)
return query_embedding
Loading the TF-Hub module... CPU times: user 757 ms, sys: 619 ms, total: 1.38 s Wall time: 1.37 s TF-Hub module is loaded. Loading random projection matrix... random projection matrix is loaded.
extract_embeddings("Hello Machine Learning!")[:10]
array([ 0.12164804, 0.0162079 , -0.15466002, -0.14580576, 0.03926325,
-0.10124508, -0.1333948 , 0.0515029 , -0.14688903, -0.09971556])
সবচেয়ে অনুরূপ আইটেম খুঁজে পেতে একটি ক্যোয়ারী লিখুন
query = "confronting global challenges"
print("Generating embedding for the query...")
%time query_embedding = extract_embeddings(query)
print("")
print("Finding relevant items in the index...")
%time items = find_similar_items(query_embedding, 10)
print("")
print("Results:")
print("=========")
for item in items:
print(item)
Generating embedding for the query... CPU times: user 5.18 ms, sys: 596 µs, total: 5.77 ms Wall time: 2.19 ms Finding relevant items in the index... CPU times: user 555 µs, sys: 327 µs, total: 882 µs Wall time: 601 µs Results: ========= confronting global challenges emerging nations to help struggling global economy g7 warns of increasing global economic crisis world struggling to cope with global terrorism companies health to struggle amid global crisis external risks biggest threat to economy asian giants unite to tackle global crisis g7 ministers warn of slowing global growth experts to discuss global warming threat scientists warn of growing natural disasters
আরো জানতে চান?
আপনি tensorflow.org- এ TensorFlow সম্পর্কে আরও জানতে পারেন এবং tensorflow.org/hub- এ TF-Hub API ডকুমেন্টেশন দেখতে পারেন। আরও টেক্সট এম্বেডিং মডিউল এবং ইমেজ ফিচার ভেক্টর মডিউল সহ tfhub.dev- এ উপলব্ধ TensorFlow হাব মডিউল খুঁজুন।
এছাড়াও মেশিন লার্নিং ক্র্যাশ কোর্সটি দেখুন যা Google এর দ্রুতগতির, মেশিন লার্নিংয়ের ব্যবহারিক ভূমিকা।