Dies ist die Linux-App namens Elastiknn, deren neueste Version als 8.8.0.0.zip heruntergeladen werden kann. Es kann online beim kostenlosen Hosting-Anbieter OnWorks für Workstations ausgeführt werden.
Laden Sie diese App namens Elastiknn mit OnWorks kostenlos herunter und führen Sie sie online aus.
Befolgen Sie diese Anweisungen, um diese App auszuführen:
- 1. Diese Anwendung auf Ihren PC heruntergeladen.
- 2. Geben Sie in unserem Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX den gewünschten Benutzernamen ein.
- 3. Laden Sie diese Anwendung in einem solchen Dateimanager hoch.
- 4. Starten Sie den OnWorks Linux-Online- oder Windows-Online-Emulator oder den MACOS-Online-Emulator von dieser Website.
- 5. Rufen Sie vom gerade gestarteten OnWorks Linux-Betriebssystem aus unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter, installieren Sie sie und führen Sie sie aus.
SCREENSHOTS
Ad
Elastiknn
BESCHREIBUNG
Elasticsearch-Plugin für die Suche nach nächsten Nachbarn. Speichern Sie Vektoren und führen Sie Ähnlichkeitssuchen mit exakten und Näherungsalgorithmen durch. Methoden wie word2vec und Faltungs-Neuronale Netze können viele Datenmodalitäten (Text, Bilder, Benutzer, Elemente usw.) in numerische Vektoren umwandeln, sodass paarweise Abstandsberechnungen für die Vektoren der semantischen Ähnlichkeit der Originaldaten entsprechen. Elasticsearch ist eine allgegenwärtige Suchlösung, die Unterstützung für Vektoren ist jedoch begrenzt. Dieses Plugin füllt die Lücke, indem es eine effiziente exakte und ungefähre Vektorsuche in Elasticsearch ermöglicht. Dies ermöglicht es Benutzern, herkömmliche Suchanfragen (z. B. „ein Produkt“) mit Vektorsuchanfragen (z. B. ein Bild (Vektor) eines Produkts) zu kombinieren, um ein verbessertes Sucherlebnis zu erzielen.
Eigenschaften
- Elasticsearch-Plugin für die Ähnlichkeitssuche auf dichten Gleitkomma- und spärlichen booleschen Vektoren
- Umfassende Dokumentation
- Datentypen zum effizienten Speichern dichter und dünner numerischer Vektoren in Elasticsearch-Dokumenten, einschließlich mehrerer Vektoren pro Dokument
- Exakte Nächste-Nachbarn-Abfragen für fünf Ähnlichkeitsfunktionen: L1, L2, Cosinus, Jaccard und Hamming
- Ungefähre Abfragen mithilfe von Locality Sensitive Hashing für L2-, Cosinus-, Jaccard- und Hamming-Ähnlichkeit
- Integration von Abfragen zum nächsten Nachbarn in standardmäßige Elasticsearch-Abfragen
Programmiersprache
Scala
Kategorien
Dies ist eine Anwendung, die auch von https://sourceforge.net/projects/elastiknn.mirror/ abgerufen werden kann. Es wurde in OnWorks gehostet, um es auf einfachste Weise online über eines unserer kostenlosen Betriebssysteme ausführen zu können.