encode_queries()

此操作接收查询字符串列表，并将每个查询编码为向量嵌入。

请求语法

python

encode_queries(
    queries: List[str], 
) -> List[np.array]

参数：

• queries (List[str])

  一个字符串值列表，其中每个字符串表示一个将传递给嵌入模型进行编码的查询。模型会为列表中的每个字符串生成一个嵌入向量。

返回类型：

List[np.array]

返回值：

一个列表，其中每个元素都是一个 NumPy 数组。

异常：

• ImportError

  当未安装 model2vec 模块时，将引发此异常。

示例

python

from pymilvus import model

model2vec_ef = Model2VecEmbeddingFunction(
    model_source="minishlab/potion-base-8M" # Specify the model source (loads from Hugging Face or local path)
)

queries = ["When was artificial intelligence founded", 
           "Where was Alan Turing born?"]

query_embeddings = model2vec_ef.encode_queries(queries)

# Print embeddings
print("Embeddings:", query_embeddings)
# Print dimension and shape of embeddings
print("Dim:", model2vec_ef.dim, query_embeddings[0].shape)

# Embeddings: [array([-1.87109038e-02, -2.81724217e-03, -1.67356253e-01, -5.30372337e-02,
#        1.08304240e-01, -1.09269567e-01, -2.53464818e-01, -1.77880954e-02,
#        3.05427872e-02,  1.68244764e-01, -7.25950347e-03, -2.52178032e-02,
#       -1.22040585e-01, -4.19903360e-02, -1.28572553e-01,  6.58077672e-02,
# ...
#       -2.45161876e-02,  4.75575700e-02,  1.03392657e-02,  5.65353176e-03,
#        8.60440824e-03,  2.12906860e-03,  1.50156394e-02, -1.29304864e-02,
#       -3.66544276e-02,  5.01735881e-03, -1.53137008e-02,  9.57900891e-04],
#      dtype=float32)]
# Dim: 256 (256,)