О чём урок
Примечание: Для корректной работы этого notebook'а требуются лимиты скорости платного уровня. (см. цены для получения более подробной информации).
Этот notebook содержит краткие примеры кода, которые показывают, как начать генерировать embedding'и с помощью curl.
Вы можете запустить его в Google Colab или скопировать/вставить команды curl в свой терминал.
Чтобы запустить этот notebook, ваш API key должен быть сохранен в Colab Secret с именем GEMINI_API_KEY. Если вы работаете в другой среде, вы можете сохранить свой ключ в переменной среды. Подробнее см. в разделе Authentication.
Вызовите метод embed_content с моделью gemini-embedding-001 для генерации текстовых embedding'ов:
Вы можете создать embedding'и для списка из нескольких prompt'ов с помощью одного вызова API для повышения эффективности.
Если вы используете gemini-embedding-001, вы можете установить параметр output_dimensionality для создания более компактных embedding'ов.
- output_dimensionality усекает embedding (например, [1, 3, 5] становится [1,3], когда output_dimensionality=2).
Давайте рассмотрим все параметры, которые принимает метод embed_content. Их четыре:
- model: Обязательный. Должен быть models/gemini-embedding-001 или models/text-embeddings-004.
- content: Обязательный. Контент, для которого вы хотите создать embedding.
- task_type: Необязательный. Тип задачи, для которой будут использоваться embedding'и. Возможные значения см. ниже.
task_type — это необязательный параметр, который дает API подсказку о том, как вы собираетесь использовать embedding'и в своем приложении.
Принимаются следующие параметры task_type:
- RETRIEVAL_QUERY : Данный текст является запросом в контексте поиска/извлечения.
- RETRIEVAL_DOCUMENT: Данный текст является документом из просматриваемого корпуса.
- SEMANTIC_SIMILARITY: Данный текст будет использоваться для определения семантического сходства (Semantic Textual Similarity, STS).
- CLASSIFICATION: Данный текст будет классифицирован.
- CLUSTERING: Embedding'и будут использоваться для кластеризации.
- Узнайте больше о gemini-embedding-001 здесь.
- Изучите другие примеры в cookbook.
План урока
- Создание embedding'ов для контента
- Установка размерности выходных данных
- Использование task_type для подсказки модели о том, как вы будете использовать embedding'и
- Узнать больше
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.