怎么做sparse
要创建一个稀疏矩阵，您可以使用稀疏矩阵库，比如Python中的scipy.sparse。以下是一个简单的示例代码，展示如何创建一个稀疏矩阵：
import numpy as np
from scipy.sparse import csr_matrix
# 创建一个稀疏矩阵
data = [1, 2, 3]
row_indices = [0, 1, 2]
col_indices = [1, 2, 0]
sparse_matrix = csr_matrix((data, (row_indices, col_indices)), shape=(3, 3))
print(sparse_matrix)
在这个示例中，我们首先定义了稀疏矩阵的数据(data)、行索引(row_indices)和列索引(col_indices)。然后使用csr_matrix函数来创建一个Compressed Sparse Row (CSR)格式的稀疏矩阵。最后，我们打印出这个稀疏矩阵。
您可以根据您的需求修改数据、行索引和列索引来创建不同的稀疏矩阵。如果您需要更复杂的操作，可以参考scipy.sparse文档以了解更多功能。
技术干货
SentenceTransformers×Milvus:如何进行向量相似性搜索
文本将使用 SentenceTransformers 将非结构化数据转换为 Embedding 向量。SentenceTransformers 是一个能够将句子、文本和图像转换为 Embedding 向量的 Python 框架。您可以用它来编码超过100种语言的句子或文本。然后，我们就可以通过相似度类型（例如：余弦距离）来比较这些 Embedding 向量，从而找到相似含义的句子。
2024-11-19
技术干货
如何在亚马逊EKS上部署开源Milvus向量数据库
生成性人工智能（GenAI）的兴起，特别是大型语言模型（LLMs），极大地激发了人们对向量数据库的兴趣，确立了它们在GenAI生态系统中作为重要组成部分的地位。结果，向量数据库在越来越多的用例中被采用。
2024-11-16
技术干货
使用Gemini 1.5、BGE-M3、Milvus Lite 和 LangChain 搭建多模态 RAG 应用
本文将介绍一种减轻 LLM 幻觉的解决方案——检索增强生成（Retrieval Augmented Generation，RAG）。我们将搭建一个结合了不同模态数据（文本和图像）的多模态 RAG 应用，以减轻 LLM 幻觉。
2024-11-15