Урок из полного доступа, первые уроки курса бесплатно Официальный курс Gemini API Cookbook на русском
Урок 54 · Текст · ~5 мин

Эмбеддинги через REST

Урок 54 из 71 курса «Gemini API: быстрый старт»: официальный курс Gemini API Cookbook (Гугл Джемини) на русском языке. Урок входит в платный доступ; первые уроки курса бесплатно.

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

  1. Создание embedding'ов для контента
  2. Установка размерности выходных данных
  3. Использование task_type для подсказки модели о том, как вы будете использовать embedding'и
  4. Узнать больше

Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.

Откройте полный доступ

Вы прошли бесплатные уроки. Выберите тариф, чтобы продолжить обучение.

Курсы Google Gemini 1 490 ₽ Разовый платёж, навсегда
  • Все курсы от Google Gemini (2 шт.)
  • Именной сертификат по каждому пройденному курсу
Оплатить
Полный доступ 4 900 ₽ Разовый платёж, навсегда
  • Все 77 курсов от 11 AI-провайдеров
  • Библиотека промптов и новые курсы
Оплатить

Безопасная оплата через Robokassa: СБП, карты, электронные кошельки. Доступ откроется в этом браузере и придёт письмом. Уже оплатили? Восстановить доступ

Полезные гиды