langchain_community.embeddings.ascend.AscendEmbeddings

class langchain_community.embeddings.ascend.AscendEmbeddings

基础类： Embeddings、BaseModel

Ascend NPU 加速 Embedding 模型

请确保您已安装 CANN 和 torch_npu。

示例

from langchain_community.embeddings import AscendEmbeddings

model = AscendEmbeddings(model_path=,

)

device_id=0, query_instruction="代表该句子以搜索相关段落：”）

param device_id : int = 0

用于嵌入查询的未结构化数据。

param document_instruction: str = ''

param model : Any = None

param model_path : str [Required]

Ascend NPU 设备 ID。

param pooling_method : Optional[str] = 'cls'

用于嵌入文档的未结构化数据。

param tokenizer : Any = None

param use_fp16 : bool = True

async aembed_documents(texts: List[str]) → List[List[float]]

异步嵌入文档。

参数

texts (List[str]) – 要嵌入的文本列表。

返回

嵌入列表。

返回类型

List[List[float]]

async aembed_query(text: str) → List[float]

异步嵌入查询文本。

参数

text (str) – 要嵌入的文本。

返回

嵌入结果。

返回类型

List[float]

embed_documents(texts: List[str]) → List[List[float]]

嵌入文档。

参数

texts (List[str]) – 要嵌入的文本列表。

返回

嵌入列表。

返回类型

List[List[float]]

embed_query(text: str) → List[float]

查询文本嵌入。

参数

text (str) – 要嵌入的文本。

返回

嵌入结果。

返回类型

List[float]

encode(sentences: Any) → Any

参数

sentences (Any) –

返回类型

任何东西

pooling(last_hidden_state: Any, attention_mask: Optional[Any] = None) → Any

参数

• last_hidden_state (Any) –

• attention_mask (可选[Any]) –

返回类型

任何东西