மைக்ரோசாப்ட் நிறுவனம்
தேடுபொறிகளில் வெக்டார் சேமிப்பகத்தைப் பயன்படுத்துவதற்கான யோசனை நீண்ட காலமாக மிதந்து வந்த போதிலும், நடைமுறையில், வெக்டர்கள் மற்றும் அளவிடுதல் வரம்புகள் கொண்ட செயல்பாடுகளின் அதிக வள தீவிரத்தால் அவற்றின் செயல்படுத்தல் தடைபடுகிறது. ஆழமான இயந்திர கற்றல் முறைகளை தோராயமாக அருகிலுள்ள அண்டை தேடல் அல்காரிதம்களுடன் இணைப்பது வெக்டார் அமைப்புகளின் செயல்திறன் மற்றும் அளவிடுதல் ஆகியவற்றை பெரிய தேடுபொறிகளுக்கு ஏற்றுக்கொள்ளக்கூடிய நிலைக்கு கொண்டு வருவதை சாத்தியமாக்கியுள்ளது. எடுத்துக்காட்டாக, Bing இல், 150 பில்லியனுக்கும் மேலான வெக்டார் குறியீட்டிற்கு, மிகவும் பொருத்தமான முடிவுகளைப் பெறுவதற்கான நேரம் 8 msக்குள் இருக்கும்.
நூலகத்தில் ஒரு குறியீட்டை உருவாக்குவதற்கும் திசையன் தேடல்களை ஒழுங்கமைப்பதற்கும் கருவிகள் உள்ளன, அத்துடன் திசையன்களின் மிகப் பெரிய சேகரிப்புகளை உள்ளடக்கிய விநியோகிக்கப்பட்ட ஆன்லைன் தேடல் அமைப்பைப் பராமரிப்பதற்கான கருவிகளின் தொகுப்பையும் உள்ளடக்கியது.
சேகரிப்பில் செயலாக்கப்பட்ட மற்றும் வழங்கப்பட்ட தரவு தொடர்புடைய திசையன்களின் வடிவத்தில் வடிவமைக்கப்பட்டுள்ளது என்பதை நூலகம் குறிக்கிறது, அதன் அடிப்படையில் ஒப்பிடலாம்
அதே நேரத்தில், திசையன் தேடல் உரைக்கு மட்டுப்படுத்தப்படவில்லை மற்றும் மல்டிமீடியா தகவல் மற்றும் படங்கள் மற்றும் தானாக பரிந்துரைகளை உருவாக்கும் அமைப்புகளில் பயன்படுத்தப்படலாம். எடுத்துக்காட்டாக, PyTorch கட்டமைப்பின் அடிப்படையிலான முன்மாதிரிகளில் ஒன்று, படங்களில் உள்ள பொருட்களின் ஒற்றுமையின் அடிப்படையில் தேடலுக்கான திசையன் அமைப்பைச் செயல்படுத்தியது, இது பல குறிப்பு சேகரிப்புகளின் தரவுகளைப் பயன்படுத்தி விலங்குகள், பூனைகள் மற்றும் நாய்களின் படங்களுடன் வடிவமைக்கப்பட்டுள்ளது, அவை திசையன்களின் தொகுப்பாக மாற்றப்பட்டன. . தேடலுக்காக உள்வரும் படம் பெறப்பட்டால், அது இயந்திர கற்றல் மாதிரியைப் பயன்படுத்தி ஒரு திசையனாக மாற்றப்படுகிறது, அதன் அடிப்படையில் SPTAG வழிமுறையைப் பயன்படுத்தி குறியீட்டிலிருந்து மிகவும் ஒத்த திசையன்கள் தேர்ந்தெடுக்கப்பட்டு, அதனுடன் தொடர்புடைய படங்கள் அதன் விளைவாகத் திரும்பும்.
ஆதாரம்: opennet.ru