嵌入向量化器#

class langchain_redis.cache.EmbeddingsVectorizer(embeddings: Embeddings)[source]#

通过解析和验证来自关键字参数的输入数据来创建一个新模型。

如果输入数据无法解析以形成有效模型，则引发ValidationError。

属性

type

方法

`__init__`(embeddings)	通过解析和验证来自关键字参数的输入数据来创建一个新模型。
`aembed`(text[, dtype])
`aembed_many`(texts[, dtype])
`batchify`(seq, size[, preprocess])
`check_dims`(value)	确保维度为正整数。
`construct`([_fields_set])	从受信任或预先验证的数据创建一个新模型，设置 __dict__ 和 __fields_set__。
`copy`(*[, include, exclude, update, deep])	复制一个模型，可以选择包含、排除和更改哪些字段。
`dict`(*[, include, exclude, by_alias, ...])	生成模型的字典表示，可以选择指定要包含或排除的字段。
`embed`(text[, dtype])
`embed_many`(texts[, dtype])
`encode`(texts, dtype, **kwargs)
`from_orm`(obj)
`json`(*[, include, exclude, by_alias, ...])	生成模型的JSON表示，include 和 exclude 参数与 dict() 相同。
`parse_file`(path, *[, content_type, ...])
`parse_obj`(obj)
`parse_raw`(b, *[, content_type, encoding, ...])
`schema`([by_alias, ref_template])
`schema_json`(*[, by_alias, ref_template])
`update_forward_refs`(**localns)	尝试基于此模型、globalns和localns更新字段上的ForwardRefs。
`validate`(value)

Parameters:: embeddings (Embeddings)

__init__(embeddings: Embeddings)[source]#

通过解析和验证来自关键字参数的输入数据来创建一个新模型。

如果输入数据无法解析以形成有效模型，则引发ValidationError。

Parameters:: embeddings (Embeddings)

async aembed(text: str, dtype: str | VectorDataType = 'float32', **kwargs: Any) → List[float][来源]#

Parameters:

文本 (str)
dtype (str | VectorDataType)
kwargs (Any)

Return type:

列表[float]

async aembed_many(texts: List[str], dtype: str | VectorDataType = 'float32', **kwargs: Any) → List[List[float]][来源]#

Parameters:

文本 (列表[字符串])
dtype (str | VectorDataType)
kwargs (Any)

Return type:

列表[列表[float]]

batchify(seq: list, size: int, preprocess: Callable | None = None)#

Parameters:

seq (列表)
size (int)
preprocess (可调用的 | 无)

classmethod check_dims(value)#: 确保维度是正整数。

classmethod construct(_fields_set: SetStr | None = None, **values: Any) → Model#

从受信任或预先验证的数据创建一个新模型，设置 __dict__ 和 __fields_set__。默认值会被尊重，但不执行其他验证。行为类似于设置了 Config.extra = ‘allow’，因为它会添加所有传递的值。

Parameters:

_fields_set (SetStr | None)
values (Any)

Return type:

Model

复制一个模型，可以选择包含、排除和更改哪些字段。

Parameters:

include (AbstractSetIntStr | MappingIntStrAny | None) – 包含在新模型中的字段
exclude (AbstractSetIntStr | MappingIntStrAny | None) – 要从新模型中排除的字段，与values一样，这优先于include
update (DictStrAny | None) – 在新模型中更改/添加的值。注意：在创建新模型之前，数据不会被验证：你应该信任这些数据
deep (bool) – 设置为 True 以创建模型的深拷贝
self (Model)

Returns:

新模型实例

Return type:

Model

dict(*, include: AbstractSetIntStr | MappingIntStrAny | None = None, exclude: AbstractSetIntStr | MappingIntStrAny | None = None, by_alias: bool = False, skip_defaults: bool | None = None, exclude_unset: bool = False, exclude_defaults: bool = False, exclude_none: bool = False) → DictStrAny#

生成模型的字典表示，可以选择指定要包含或排除的字段。

Parameters:

include (AbstractSetIntStr | MappingIntStrAny | None)
exclude (AbstractSetIntStr | MappingIntStrAny | None)
by_alias (bool)
skip_defaults (bool | None)
exclude_unset (布尔值)
exclude_defaults (布尔值)
exclude_none (bool)

Return type:

DictStrAny

embed(text: str, dtype: str | VectorDataType = 'float32', **kwargs: Any) → List[float][source]#

Parameters:

文本 (str)
dtype (str | VectorDataType)
kwargs (Any)

Return type:

列表[float]

embed_many(texts: List[str], dtype: str | VectorDataType = 'float32', **kwargs: Any) → List[List[float]][source]#

Parameters:

文本 (列表[字符串])
dtype (str | VectorDataType)
kwargs (Any)

Return type:

列表[列表[float]]

encode(texts: str | List[str], dtype: str | VectorDataType, **kwargs: Any) → ndarray[来源]#

Parameters:

texts (str | List[str])
dtype (str | VectorDataType)
kwargs (Any)

Return type:

ndarray

classmethod from_orm(obj: Any) → Model#

Parameters:: obj (任意类型)
Return type:: Model

json(*, include: AbstractSetIntStr | MappingIntStrAny | None = None, exclude: AbstractSetIntStr | MappingIntStrAny | None = None, by_alias: bool = False, skip_defaults: bool | None = None, exclude_unset: bool = False, exclude_defaults: bool = False, exclude_none: bool = False, encoder: Callable[[Any], Any] | None = None, models_as_dict: bool = True, **dumps_kwargs: Any) → str#

生成模型的JSON表示，include和exclude参数与dict()相同。

encoder 是一个可选的函数，作为 default 提供给 json.dumps()，其他参数与 json.dumps() 相同。

Parameters:

include (AbstractSetIntStr | MappingIntStrAny | None)
exclude (AbstractSetIntStr | MappingIntStrAny | None)
by_alias (bool)
skip_defaults (bool | None)
exclude_unset (布尔值)
exclude_defaults (布尔值)
exclude_none (bool)
encoder (Callable[[Any], Any] | None)
models_as_dict (bool)
dumps_kwargs (Any)

Return type:

字符串

classmethod parse_file(path: str | Path, *, content_type: str = None, encoding: str = 'utf8', proto: Protocol = None, allow_pickle: bool = False) → Model#

Parameters:

路径 (字符串 | 路径)
content_type (str)
encoding (str)
proto (协议)
allow_pickle (bool)

Return type:

Model

classmethod parse_obj(obj: Any) → Model#

Parameters:: obj (任意类型)
Return type:: Model

classmethod parse_raw(b: str | bytes, *, content_type: str = None, encoding: str = 'utf8', proto: Protocol = None, allow_pickle: bool = False) → Model#

Parameters:

b (str | bytes)
content_type (str)
encoding (str)
proto (协议)
allow_pickle (bool)

Return type:

Model

classmethod schema(by_alias: bool = True, ref_template: str = '#/definitions/{model}') → DictStrAny#

Parameters:

by_alias (bool)
ref_template (str)

Return type:

DictStrAny

classmethod schema_json(*, by_alias: bool = True, ref_template: str = '#/definitions/{model}', **dumps_kwargs: Any) → str#

Parameters:

by_alias (bool)
ref_template (str)
dumps_kwargs (Any)

Return type:

字符串

classmethod update_forward_refs(**localns: Any) → None#

尝试根据此模型、globalns 和 localns 更新字段上的 ForwardRefs。

Parameters:: localns (任意)
Return type:: 无

classmethod validate(value: Any) → Model#

Parameters:: 值 (任意类型)
Return type:: Model