एम्बेडिंग्स टेक्स्ट को न्यूमेरिक वेक्टर में बदलते हैं जिसे आप वेक्टर डेटाबेस में स्टोर कर सकते हैं, कोसाइन समानता से सर्च कर सकते हैं, या RAG पाइपलाइन में उपयोग कर सकते हैं। वेक्टर की लंबाई मॉडल पर निर्भर करती है (आमतौर पर 384–1024 आयाम)।
अनुशंसित मॉडल
एम्बेडिंग्स जनरेट करें
CLI
कमांड लाइन से सीधे एम्बेडिंग्स जनरेट करें:
```shell
ollama run embeddinggemma "Hello world"
```
आप एम्बेडिंग्स जनरेट करने के लिए टेक्स्ट को पाइप भी कर सकते हैं:
```shell
echo "Hello world" | ollama run embeddinggemma
```
आउटपुट एक JSON ऐरे है।
cURL
```shell
curl -X POST http://localhost:11434/api/embed \
-H "Content-Type: application/json" \
-d '{
"model": "embeddinggemma",
"input": "The quick brown fox jumps over the lazy dog."
}'
```
Python
```python
import ollama
single = ollama.embed(
model='embeddinggemma',
input='The quick brown fox jumps over the lazy dog.'
)
print(len(single['embeddings'][0])) # vector length
```
JavaScript
```javascript
import ollama from 'ollama'
const single = await ollama.embed({
model: 'embeddinggemma',
input: 'The quick brown fox jumps over the lazy dog.',
})
console.log(single.embeddings[0].length) // vector length
```
नोट
/api/embed एंडपॉइंट L2-नॉर्मलाइज़्ड (यूनिट-लंबाई वाले) वेक्टर लौटाता है।
एम्बेडिंग्स के बैच जनरेट करें
input में स्ट्रिंग्स के ऐरे पास करें。
cURL
```shell
curl -X POST http://localhost:11434/api/embed \
-H "Content-Type: application/json" \
-d '{
"model": "embeddinggemma",
"input": [
"First sentence",
"Second sentence",
"Third sentence"
]
}'
```
Python
```python
import ollama
batch = ollama.embed(
model='embeddinggemma',
input=[
'The quick brown fox jumps over the lazy dog.',
'The five boxing wizards jump quickly.',
'Jackdaws love my big sphinx of quartz.',
]
)
print(len(batch['embeddings'])) # number of vectors
```
JavaScript
```javascript
import ollama from 'ollama'
const batch = await ollama.embed({
model: 'embeddinggemma',
input: [
'The quick brown fox jumps over the lazy dog.',
'The five boxing wizards jump quickly.',
'Jackdaws love my big sphinx of quartz.',
],
})
console.log(batch.embeddings.length) // number of vectors
```
सुझाव
- अधिकांश सिमेंटिक सर्च यूज केस के लिए कोसाइन समानता का उपयोग करें।
- इंडेक्सिंग और क्वेरीिंग दोनों के लिए एक ही एम्बेडिंग मॉडल का उपयोग करें।