Gömme-den-Prototipe Yönlendirme
A sınıflandırıcı etiketlenmiş eğitim verisine ihtiyaç duyar. Bazen hiç verin olmaz -> sadece her niyet için bir avuç example sorgun olur. Bu durumda en ucuz yönlendirici nearest-prototype: her niyeti bir vektörle temsil et (bu onun "prototipi"dir, genellikle birkaç örneğin ortalama gömülmesidir), gelen sorguyu göm ve en doğrudan işaret ettiği prototipe yönlendir.
"Points most directly at" ifadesi cosine similarity anlamına gelir: iki vektör arasındaki açının kosinüsü, uzunluklarını görmezden gelir. Metin için doğru ölçüdür çünkü uzun bir belge ve aynı konu hakkındaki kısa bir belge hala eşleşmelidir.
cosine(a, b) = (a . b) / (|a| |b|) değerine yakın 1.0, vektörlerin aynı yöne baktığı (aynı niyet) anlamına gelir; 0.0 değerine yakın ise ilgisiz demektir. router en yüksek cosine değerine sahip prototipi seçer ve bu skor daha sonra eşik değeri belirleyebileceğin bir confidence olarak işlev görür.
Dürüst bir çerçeve: üretim ortamında bu vektörler eğitilmiş bir embedding modelinden (bir API çağrısı veya bir sentence-transformer) gelir. Burada bir tane yükleyemeyiz çünkü tarayıcıda model ağırlıkları dosyası ve GPU bulunmaz. Bu yüzden bu derste vektörler sana veriliyor düz numpy dizileri olarak. Sen yönlendirme geometrisini oluşturuyorsun, bu sayılar gerçek bir embedderden veya bir fixturedan gelse de aynıdır. Gerçek embeddingler sadece daha iyi sayılar doldurur; cosine-and-argmax mantığı senin teslim edeceğin kısımdır.
Ties deterministik olmalı. Eğer iki prototip tam olarak eşit uzaklıktaysa, "sözlükte hangisi önce gelirse" seçeneği gizli bir hatadır çünkü dict sırası değişebilir. Aynı durumun her zaman aynı şekilde çözülmesi için, ismi alfabetik olarak önce gelen niyeti seçerek eşitliği boz.
İki fonksiyon oluştur. cosine(a, b) iki vektörün kosinüs benzerliğini döndürür ve sıfır güvenlidir (sıfır uzunluğundaki bir vektör 0.0 döndürür, asla NaN döndürmez). route_by_prototype(query_vec, prototypes) sorgu vektörünü ve bir {intent_name: prototype_vector} sözlüğünü alır ve bir (best_intent, best_score) döndürür -> en yakın prototipi ve kosinüs değerini, alfabetik eşitlik çözümüyle birlikte. Birkaç sorguyu yönlendirmek ve her birinin döndürdüğü güven değerini görmek için Run tuşuna bas.
cosine(a, b) = a.b / (|a||b|) yaz, herhangi bir vektörün uzunluğu sıfır olduğunda 0.0 döndür (NaN olmasın). Sonra prototypes bir dict {name: vector} olduğunda route_by_prototype(query_vec, prototypes) yaz; en yüksek kosinüs için (best_name, best_score) tuple'ını döndür, tam eşitlik durumunda alfabetik olarak ilk gelen ismi seç. Başlangıçtaki PROTOTYPES'yi olduğu gibi bırak: kontrol onu okuyor.
Bu derste bir sorun mu fark ettin? Bildir · Bu ders hakkında soru sor
Bu alıştırma yakında açılacak
Bu dersi bitirince bu ders açılacak. Kursun tamamı ücretsiz, hesap gerekmiyor ve bu dersi hemen şimdi okuyabilirsin.
Bu tarayıcı learn.floati.life için çerezleri engelliyor, bu yüzden burada bitirdiğin dersler sırasıyla açılamıyor. Bu site için çerezlere izin ver ve sayfayı yenile.