无需担心复杂的实现细节,只需简单调用 API,就可以为文本和图像创建 SOTA 表征向量。
从 BERT 到 BERT-as-service
2018 年 9 月,Goo可视化数据图表gle 一篇 BERT 模型相关论文引爆全网:该自然语言模型,在机器阅读理解顶级水平测试 SQuAD1.1 中,连破 11 项 NLP 测试记录,两个衡量指标全面超越人类。
BERT: Pre-training of Deep Bidirectional Transformers for Language Understandinggitlab
这不仅开启了 NLP 的全新时代,也标志着迁移学习和预训练+微调的模Git式,开始进入人们的视野。
2018 年 10 月,BERT 发布仅一个月后,BERT-as-service 横空出世。用户可以使用一行代码,通过 C/S 架websocket和socket区别构的方式github中文官网网页,连接到服务端,快速github永久回家地址获得句向量。
BERT-as-service 2018 年发布时的架构
作为基于 BERT 的第一个微服务框架,BERT-as-service 通过对 BERT 的高度封装和深度优化,以方便易用的网络微服务 API 接口, 赢得了 NLP 及机器学习技术社区的广泛关注。
它简洁的 API 交互方式、文开源中国档写作风格,甚至连 README 排版,都成为之后众多开websocket连接过程源项目的模板。
BERT-as-service 可以通过几行代码轻松获得句向量
如果说 BERT 是迁移学习的里程碑,那么 BERT-as-servicwebsocket使用教程e 的出现,可以称得上是迁移学习,在工程服务化的里程碑。开源中国
GitHub 上 BgitiERT 模型的不少贡献者,也积极参与了 BERT-as-se服务器租用rvice 的代码贡献。火遍全球的 Hugging Face 在 2018 年 11 月推出的 Py可视化数据图表to服务器价格rch-transformers 初版,可视化音乐也受到了 BERT-as-service 的启发。
尽管 BERT-as-service 在 2019 年 2 月后的更新逐渐暂停,但 3 年来该项目在 GitHub 上积累了服务器操作系统 10,000 个 Star, 2,000 多个 Fork 和堆积成山的 Issue, 都显示出社区对 BERT-as-service 的极大兴趣和热情。
其中很多开发人员 Fork 了 BERT-as-service 并结合自身业务,开发出了一套自己的微服务系统。
Bgiti轮胎ERT-as-service 升级版重磅来袭
时隔三年,BERT-as-service 再开源阅读app下载安装度更新,升级为全新的 CLIP-as-service,不仅保开源代码网站github留了原有的高并发、微服务、简单易用等特性,更可以同时生成文本和图像的表征向量。
CLIP-as-service 的背后是由 OpenAI 在 2021 年 1 月发布的 CLIP (Contrastive Language-Image Pre-training) 模型, 它可以基于文本对图像进行分类,打破了自然语言处理和计算机视觉两大门派「泾渭分明」的界限,实现了多模态 AI 系统。
CLIP-as-service具有以下特点:
-
开箱即用: 无需额外学习,只需调用客户websockets在线测试端或服务端的 A开源代码网站githubPI,即可实时生成图像和文本的向量输出。
-
速度快: 为大型数据集和长耗时可视化大屏任务量身定制,同时支持 ONNX 和 PyTor开源矿工ch 模型引擎,以提供快速推理服务。
-
高扩展: 支持多核、单核 GPU 上并行扩展多个 CLIP 模型,并自动进行负载均衡。服务器端可以选择通过 gRPC、Websoc开源代码网站githubket 或 HTTP 三种方式对外提供服务。
-
神经搜索全家桶: 开发者可以短时间内,快速融合 CLIP-as-servigithub中文官网网页ce 及 Jina、DocArray,搭建跨模态和多模态搜索行业解决方案。
CLIP-as-service 实操指南
安装 CLIP-as-service
同 BERT-开源节流as-service 的 C/S 架构一样,CLIP-as-service 也分为服务器端和客户端两个安可视化装包。
开发者可通过 pip 在不同的机器上选择性地安装 CLIP 客户端或服务端。
注意:请确保使可视化图片用 Python 3.7+
1、安装 CLIP 服务端(通常是 GPU 服务器)
pip install clip-server
2、安装 CLIP 客户端(比如在本地笔记本电脑上)
pip install clip-client
启动 CLIP 服务器
启动服务器意味着下载预训练模型,启动微服务框架,对外开放接口等一系列操作。所有这些操作都可以通过一句简单的命令完成。
启动服务器:
python -m clip_server
服务器启动开源中国后,将显示以下输出:
Protocol GRPC
Local access 0.0.0.0:51000
Private network 192.168.3.62:51000
Public address 87.191.159.105:51000
这表示服务器开源矿工已准备就绪,并以 gRPC 方式对外提供接口。
从客户端连接
服务端就绪可视化图片后,即可通过 GRPC 客户端与之连接并发送请求。根据客户端websocket使用教程和服务端的位置,可使用不同的 IP 地址。
更多详情,开源节流是什么意思请查WebSocket看 CLIP-as-service 文档。
运行 Python 脚本,验证客户端和服务端之间的连接状况:
from clip_client import Client
c = Client('grpc://0.0.0.0:51000')
c.profile()
如果连接正常,你会看到如下WebSocket所示的耗时树状图:
Roundtrip 16ms 100%
├── Client-server network 12ms 75%
└── Server 4ms 25%
├── Gateway-CLIP network 0ms 0%
└── CLIP model 4ms 100%
搭建一个跨模态搜索系统:文本到图片
在这个示例中,我们将使用 CLIP-as-service 搭建立一个简单的 text-to-image 搜索案开源阅读app下载安装例,用户只需输入文本,即可输出相匹配的图像。
本示例将借助 Totawebsocket即时通讯lly-Looks-Like 数据集及 Jina AI 的 DocArray 来实现数据下载。
注意:DocArray 作为上游依赖,已包含在 clip-client 中,无需单独安装。
1、加载图像
from docarray import DocumentArray
da = DocumentArray.pull('ttl-original', show_progress=True, local_cache=True)
Totally-Looks-Like 数据集包含 12,032 张图像,可能需要一段时间下载。
2、加载完成后,使用 DocArray 内置功能 da.plot_im服务器内存条可以用在台式机上吗age_sprites() 将其可视化,效果如下图所示:
3、通过命令 python -m clip_server启动 CLIP 服务端,并对图像进行编码 (encod服务器内存和台式机内存区别e)
from clip_client import Client
c = Client(server='grpc://87.105.159.191:51000')
da = c.encode(da, show_progress=True)
4、输入 “a happy potato”,查看搜索结果
vec = c.encode(["a happy potato"])
r = da.find(query=vec, limit=9)
r.plot_image_sprites()
输出结果如下:
查询 “A happy potato” 后的websocket连接过程输出结果
尝试输入 “professor cat is very serious”,输出结果websocket是什么如下:
更多详细文档,请访问 CLIP-as-service
搭建开源代码网站github一个跨模态搜索系统:图片到文本
我们也可以将两个模态对调,实现图片到文字的搜索。服务器地址
在WebSocket下面这个例子中,我们使用《傲慢与偏见》整部小说的英文文本作为匹配目标。然后输入一张图片服务器租用多少钱一年,就可以得到这张图片在《傲慢与偏见》中对应的文本。
开始之gitee前,先运行本地托管且支持客户端访问的 CLgit命令IP-as-service 服务端。
运行 CLIP-agitis-service 服务端
服务端启动并运行后,即可使用客户端向其发送请求并websocket即时通讯获得结果。
使用 CLIP-as-swebsocket连接过程ervice 客户端,建立多模态搜索实例。
以上就是本期关于 CLIP-as-service 的全部内容,更多精彩内容,敬请持续关注 Jina AI 公众号!
本文相关学习资料:
CLIP-as-service 文档
CLIP-as-service GitHub Repo
参与 Jina 学习,成为神经搜索专家
DocArray 文档
Jina 文档