- 综合排序
- 最热优先
- 最新优先
- 来自专栏追不上乌龟的兔子
文本嵌入，语义搜索与sentence-transformers库
sentence-transformers 就是一个基于 transformer 的文本嵌入工具包，可以用于生成句子的向量表示。 sentence-transformers 可以直接使用 pip 安装。 pip3 install sentence-transformers 使用 sentence-transformers sentence-transformers 提供了很多预训练模型，可以直接使用。 下面是一个来自 sentence-transformers 官方文档的例子。 sentence-transformers 还提供了很多预训练模型，可以根据自己的需求选择合适的模型。
2.6K10编辑于 2023-12-24 - 来自专栏追不上乌龟的兔子
文本嵌入，语义搜索与sentence-transformers库
sentence-transformers 就是一个基于 transformer 的文本嵌入工具包，可以用于生成句子的向量表示。 sentence-transformers 可以直接使用 pip 安装。 pip3 install sentence-transformers 使用 sentence-transformers sentence-transformers 提供了很多预训练模型，可以直接使用。 下面是一个来自 sentence-transformers 官方文档的例子。 sentence-transformers 还提供了很多预训练模型，可以根据自己的需求选择合适的模型。
2.6K10编辑于 2023-12-24 sentence-transformers ERROR: HTTP error 403 while getting
127.0.0.1:33210 sentence-transformersLooking in indexes: https://pypi.tuna.tsinghua.edu.cn/simpleCollecting sentence-transformers 1ec591befcbdb2c97192a40fbe7c43a8b8a8b3c89b1fa101d3eeed4d79a4/sentence_transformers-3.2.1-py3-none-any.whl (from https://pypi.tuna.tsinghua.edu.cn/simple/sentence-transformers /) (requires-python:>=3.8)ERROR: Could not install requirement sentence-transformers from https://pypi.tuna.tsinghua.edu.cn 1ec591befcbdb2c97192a40fbe7c43a8b8a8b3c89b1fa101d3eeed4d79a4/sentence_transformers-3.2.1-py3-none-any.whl (from https://pypi.tuna.tsinghua.edu.cn/simple/sentence-transformers 请执行以下命令：pip install sentence-transformers --proxy http://127.0.0.1:33210 -i https://pypi.org/simple 解释
31000编辑于 2025-07-19通过 pip install sentence-transformers --proxy http:127.0.0.1:789成功 为什么 程序还是报错？
通过 pip install sentence-transformers --proxy http://127.0.0.1:789成功 为什么 程序还是报错？ 然后重新安装在终端中执行：cd C:\Users\Sam\Desktop\desktop\startup\workpython\ocr venv\Scripts\activate pip install sentence-transformers
33910编辑于 2025-07-19- 来自专栏DeepHub IMBA
开源嵌入模型对比：让你的RAG检索又快又准
）： pip install -U sentence-transformers from sentence_transformers import SentenceTransformer sentences ）： pip install -U sentence-transformers from sentence_transformers import SentenceTransformer sentences 维度： 可配置（512–1024）性能： 最长支持8000 token，多语言覆盖广用例： 大规模语义搜索、RAG、混合检索系统评价： 可扩展性和质量平衡做得好 使用方式（Sentence-Transformers pip install -U sentence-transformers from sentence_transformers import SentenceTransformer model 使用方式（Sentence-Transformers）： pip install sentence_transformers~=2.2.2 from sentence_transformers
1.1K10编辑于 2025-11-15 - 来自专栏AI技术探索和应用
AIGC之文本和图片生成向量
sentence is converted'] # Load model from HuggingFace Hub tokenizer = AutoTokenizer.from_pretrained('sentence-transformers /all-MiniLM-L6-v2') model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-v2') # Tokenize F.normalize(sentence_embeddings, p=2, dim=1) print("Sentence embeddings:") print(sentence_embeddings) Sentence-Transformers Sentence-Transformers专注在文本处理领域，其推出的大模型都具有较好的效果。 pip install -U sentence-transformers 文本生成向量示例如下。若本地缓存不存在该模型，默认会从HuggingFace上下载该模型到本地。
2.9K31编辑于 2024-03-13 - 来自专栏铭毅天下
Elasticsearch 8.X “图搜图”实战
4.2 clip-ViT-B-32-multilingual-v1工具选择 sentence-transformers/clip-ViT-B-32-multilingual-v1是OpenAI的CLIP-ViT-B32 模型地址：https://huggingface.co/sentence-transformers/clip-ViT-B-32-multilingual-v1 4.3 生成向量 如下的函数能将已有数据集图片生成向量 4.5 图搜图结果展示 5、小结 总结一下，图搜图功能的实现重点在于两个关键的组件：Elasticsearch和预训练模型 sentence-transformers/clip-ViT-B-32-multilingual-v1 另一方面，sentence-transformers/clip-ViT-B-32-multilingual-v1，这个预训练模型，基于OpenAI的CLIP模型，可以生成文本和图像的向量表示，这对于比较文本和图像的相似性至关重要 参考 1、https://huggingface.co/sentence-transformers/clip-ViT-B-32-multilingual-v1 2、https://github.com/
1.4K10编辑于 2023-08-18 - 来自专栏码匠的流水账
使用open-webui+deepseek构建本地AI知识库
, 'embedding_config': '{"engine": "", "model": "sentence-transformers/all-MiniLM-L6-v2"}', 'language' , 'embedding_config': '{"engine": "", "model": "sentence-transformers/all-MiniLM-L6-v2"}', 'language' , 'embedding_config': '{"engine": "", "model": "sentence-transformers/all-MiniLM-L6-v2"}', 'language'
4.9K10编辑于 2025-02-18 - 来自专栏AI智能体从入门到实践
构建AI智能体：构建本地化AI应用：基于ModelScope与向量数据库的文本向量化
使用 sentence-transformers 库调用模型示例参考代码：from sentence_transformers import SentenceTransformerfrom sklearn.metrics.pairwise return None# 示例使用if __name__ == "__main__": # 设置一些常用的中文模型选项 model_options = { "base": "sentence-transformers f"模型生成的向量维度: {document_embeddings.shape}")初次模型加载过程：模型的本地化：执行结果：=== 方式2: 下载模型到指定路径 ===下载ModelScope模型 sentence-transformers \modelscope\hub\modelsDownloading Model from ModelScope 魔搭社区 to directory: D:\modelscope\hub\models\sentence-transformers 安装必要的库：sentence-transformers和faiss-cpu（或faiss-gpu） 2. 加载模型 3. 准备示例文本数据 4. 将文本转换为向量 5. 构建FAISS索引 6.
74521编辑于 2025-11-08 - 来自专栏NewBeeNLP
从 Sentence-BERT 谈句子表征
代码如下： # From https://github.com/UKPLab/sentence-transformers/ # cls_token 直接使用 bert 的输出 # max pooling 代码如下（做了部分简化处理）： # Code From https://github.com/UKPLab/sentence-transformers/ class SoftmaxLoss(nn.Module 具体可参考文档： SentenceTransformers Documentation — Sentence-Transformers documentation[3] 本文参考资料 [1] NLP 表征的历史与未来 Bert-Flow: https://yam.gift/2020/12/13/Paper/2020-12-13-Bert-Flow/ [3] SentenceTransformers Documentation — Sentence-Transformers : Sentence Embeddings with BERT & XLNet: https://github.com/UKPLab/sentence-transformers - END -
2.1K10发布于 2021-11-15 小白也能做的NLP项目：让AI帮你找出记忆句的‘近亲’！
工具选择 tokenizers：训练或加载 BPE 分词器； sklearn：余弦相似度； sentence-transformers（可选）：可用于语义匹配。 twenty years ago 相似度: 0.94-------------------------------------------------- Bonus：升级到语义级比较（可选）你可以使用 sentence-transformers 提供的预训练模型，如：pip install sentence-transformers然后用如下方式替换 sentence_to_vector：from sentence_transformers
24800编辑于 2025-07-17- 来自专栏自然语言处理
txtai：全能AI框架
# 创建嵌入 embeddings = Embeddings( hybrid=True, path="sentence-transformers/nli-mpnet-base-v2" ) # Create embeddings = Embeddings( path="sentence-transformers/nli-mpnet-base-v2", content=True, objects= # 创建带有图索引的嵌入 embeddings = Embeddings( path="sentence-transformers/nli-mpnet-base-v2", content=True \ 问题：{question}\ 上下文：\ """\ }]# 创建嵌入 embeddings = Embeddings( path="sentence-transformers/nli-mpnet-base-v2 # 嵌入实例 writable: true embeddings: path: sentence-transformers/nli-mpnet-base-v2 content: true functions
65211编辑于 2025-04-26 - 来自专栏mathor
基于去噪Transformer的无监督句子编码
论文源码在UKPLab/sentence-transformers/，其实sentence-transformers已经把TSDAE封装成pip包，完整的训练流程可以参考Sentence-Transformer
1.2K10发布于 2021-11-18 - 来自专栏胡琦
基于 InternLM 和 LangChain 搭建你的知识库
0.24.1 pip install langchain==0.0.292 pip install gradio==4.4.0 pip install chromadb==0.4.15 pip install sentence-transformers internlm-chat-7b', cache_dir='/root/data/model', revision='v1.0.3')" 词向量模型下载 # 本次使用 huggingface_hub 下载 Sentence-Transformers os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'; os.system('huggingface-cli download --resume-download sentence-transformers paraphrase-multilingual-MiniLM-L12-v2 --local-dir /root/data/model/sentence-transformer')" # 此处使用了 hf-mirror.com 镜像网站 Sentence-Transformers
42600编辑于 2025-05-20 - 来自专栏Docker
RAG-全链路问答系统：从零到容器化部署的终极指南
Embedding / LLM） ├── requirements.txt ├── Dockerfile1️⃣添加必要文件fastapi==0.110.0 uvicorn[standard]==0.29.0 sentence-transformers except ImportError: openai = None # 全局 embedding 模型（只加载一次） _embedding_model = SentenceTransformer("sentence-transformers , "meta": {"source": "tutorial"} } ] }'2️⃣正确返回结果这一步说明：Sentence-Transformers 正常工作 from sentence_transformers import SentenceTransformer self.embed_model = SentenceTransformer("sentence-transformers sleep 5 curl http://localhost:8000/health总结本文详细展示了如何从零开始搭建一个基于 FastAPI + FAISS + Sentence-Transformers
88922编辑于 2025-12-14 Skill-adapter：让SKILL快速部署到你的ai应用
True, extra_body=extra_body)在该项目中，skill的检索召回能力至关重要，目前项目支持四种模式的召回：bm25_sentence (default): BM25 + sentence-transformers 个数 activation_threshold=0.6, bm25_weight=0.7, semantic_weight=0.3, embedding_model_name="sentence-transformers
28920编辑于 2026-03-23- 来自专栏自然语言处理
聊一聊学习率预热linear warmup
=t_total) else: raise ValueError("Unknown scheduler {}".format(scheduler)) 参考资料 sentence-transformers :https://github.com/UKPLab/sentence-transformers https://blog.csdn.net/orangerfun/article/details/120400247
2.7K30编辑于 2022-01-06 - 来自专栏ceshiren0001
用LightRAG打造智能问答系统：知识图谱与RAG的融合应用实践
二、环境安装与配置# 安装LightRAG核心库pip install lightrag# 安装依赖库pip install transformers sentence-transformers torch 配置基础环境：import lightrag# 初始化LightRAGrag = lightrag.LightRAG( model_name="sentence-transformers/all-MiniLM-L6
1.2K00编辑于 2025-08-27 - 来自专栏追不上乌龟的兔子
构建自然语言搜索引擎
近期简单学习了一下向量数据库 qdrant 与 sentence-transformers 库，两者结合可以构建一个简单的自然语言搜索引擎。 数据处理 参考教程里的流程，我使用 pandas 进行了初步的数据处理，并用 sentence-transformers 库生成书籍描述的向量表示。 总结 受益于 qdrant 和 sentence-transformers 这两个库，我们可以很方便地构建一个简单的自然语言搜索引擎，提供给用户更加自然的搜索体验。
77910编辑于 2023-12-25 - 来自专栏AI
[AI Embedchain] 开始使用 - 快速开始
'top_p': 0.5 } }, 'embedder': { 'provider': 'huggingface', 'config': { 'model': 'sentence-transformers
24510编辑于 2024-08-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号