特征提取
特征提取是将文本转换为向量（通常称为“嵌入”）的任务。
示例应用
- 检索与查询最相关的文档（用于 RAG 应用）。
- 根据文档与查询的相似度重新排序文档列表。
- 计算两个句子之间的相似度。
有关 feature-extraction 任务的更多详细信息，请查看其 专用页面！您将找到示例和相关材料。
推荐模型
- thenlper/gte-large：一个用于自然语言处理任务的强大特征提取模型。
探索所有可用的模型并找到最适合您的模型 此处。
使用 API
Python
JavaScript
cURL
import requests
API_URL = "https://api-inference.huggingface.co/models/thenlper/gte-large"
headers = {"Authorization": "Bearer hf_***"}
def query(payload):
response = requests.post(API_URL, headers=headers, json=payload)
return response.json()
output = query({
"inputs": "Today is a sunny day and I will get some ice cream.",
})要使用 Python 客户端，请参阅 huggingface_hub 的 软件包参考。
API 规范
请求
| 有效负载 | ||
|---|---|---|
| 输入* | 字符串 | 要嵌入的文本。 |
| 规范化 | 布尔值 | |
| 提示名称 | 字符串 | 用于编码的提示名称。如果未设置，则不会应用任何提示。必须是 Sentence Transformers 配置 prompts 字典中的一个键。例如，如果 prompt_name 为“query”并且 prompts 为 {“query”: “query: ”, …}，则句子“法国的首都是什么？”将被编码为“query: 法国的首都是什么？”，因为提示文本将在任何要编码的文本之前添加。 |
| 截断 | 布尔值 | |
| 截断方向 | 枚举 | 可能的值：左、右。 |
可以通过将标头传递到推理 API 来配置某些选项。以下是可用的标头
| 标头 | ||
|---|---|---|
| 授权 | 字符串 | 当 hf_**** 是具有推理 API 权限的个人用户访问令牌时，采用 'Bearer: hf_****' 形式的身份验证标头。您可以在 您的设置页面 生成一个。 |
| x-use-cache | 布尔值，默认为 true | 推理 API 上有一个缓存层来加快我们已经看到的请求的速度。大多数模型可以使用这些结果，因为它们是确定性的（这意味着输出无论如何都会相同）。但是，如果您使用非确定性模型，则可以将此参数设置为阻止使用缓存机制，从而导致一个真正的全新查询。阅读更多关于缓存的信息 此处。 |
| x-wait-for-model | 布尔值，默认为 false
| 如果模型未就绪，请等待模型就绪，而不是接收 503 错误。这可以减少获取推理结果所需的请求次数。建议仅在收到 503 错误后才将此标志设置为 true，因为它会将应用程序挂起限制在已知位置。有关模型可用性的更多信息，请点击此处。 |
有关推理 API 标头的更多信息，请查看参数指南。
响应
| 主体 | ||
|---|---|---|
| (数组) | 数组[] | 输出是一个数组的数组。 |