<a href="https://colab.research.google.com/github/run-llama/llama_index/blob/main/docs/docs/examples/embeddings/octoai.ipynb" target="_parent"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="在 Colab 中打开"/></a>

[![nbviewer](https://raw.githubusercontent.com/jupyter/design/master/logos/Badges/nbviewer_badge.svg)](https://nbviewer.org/github/aidoczh/llama_index_examples_zh/blob/main/examples/embeddings/octoai.ipynb)

OctoAI嵌入¶

本指南将向您展示如何通过LlamaIndex使用OctoAI的嵌入。

首先，让我们安装LlamaIndex和OctoAI的依赖项。

In [ ]:

%pip install llama-index-embeddings-octoai

%pip install llama-index-embeddings-octoai

In [ ]:

!pip install llama-index

!pip install llama-index

请在下面包含您的OctoAI API密钥。您可以在OctoAI获取您自己的API密钥。

如果需要更多指导，请参考这里的一些说明。

In [ ]:

OCTOAI_API_KEY = ""

OCTOAI_API_KEY = ""

我们可以在OctoAI上查询嵌入向量。

In [ ]:

from llama_index.embeddings.octoai import OctoAIEmbedding

embed_model = OctoAIEmbedding(api_key=OCTOAI_API_KEY)

from llama_index.embeddings.octoai import OctoAIEmbedding embed_model = OctoAIEmbedding(api_key=OCTOAI_API_KEY)

In [ ]:

# 基本嵌入示例embeddings = embed_model.get_text_embedding("我怎样才能航行到月球？")print(len(embeddings), embeddings[:10])assert len(embeddings) == 1024

# 基本嵌入示例embeddings = embed_model.get_text_embedding("我怎样才能航行到月球？")print(len(embeddings), embeddings[:10])assert len(embeddings) == 1024

使用批处理嵌入¶

在处理大规模数据集时，使用批处理嵌入可以显著提高性能。在本教程中，我们将学习如何使用批处理嵌入来加速模型训练过程。

In [ ]:

texts = [
    "How do I sail to the moon?",
    "What is the best way to cook a steak?",
    "How do I apply for a job?",
]

embeddings = embed_model.get_text_embedding_batch(texts)
print(len(embeddings))
assert len(embeddings) == 3
assert len(embeddings[0]) == 1024

texts = [ "How do I sail to the moon?", "What is the best way to cook a steak?", "How do I apply for a job?", ] embeddings = embed_model.get_text_embedding_batch(texts) print(len(embeddings)) assert len(embeddings) == 3 assert len(embeddings[0]) == 1024