고성능 벡터 검색 앱은 Pinecone 벡터 데이터베이스를 사용하여 간단하게 만들 수 있지만 많은 사용자가 Pinecone API를 얻는 방법을 궁금해합니다. 데이터베이스가 매력적이다 개발자완전히 제어쉽게 확장 가능 인프라 문제 없이.
고성능 벡터 검색 응용 프로그램의 개발은 다음을 통해 간단해집니다. 솔방울. 클라우드용으로 구축된 관리형 인프라 프리 벡터 데이터베이스입니다.
이 글에서는 파인콘 API를 얻는 방법에 대해 설명할 것입니다. 사용 시작 플랫폼. 따라서 더 이상 고민하지 않고 세부 사항을 살펴보겠습니다.
Pinecone API를 얻는 방법?
아래에서 Pinecone API를 얻는 방법과 단 몇 분만에 플랫폼 사용을 시작하는 방법에 대한 단계별 가이드를 볼 수 있습니다. 그 과정은 사실 꽤 똑바로 그러나 새로운 사용자에게 혼란을 줄 수 있습니다. 아래 지침을 따르면 곧 시작할 수 있습니다!
Pinecone 클라이언트 설치
이 단계는 실제로 필요하지 않음. 사용하려는 경우에만 이 작업을 수행하십시오. 파이썬 클라이언트. 그러나 장기적으로 프로세스를 단순화하기 때문에 그렇게 하는 것이 좋습니다.
Pinecone을 설치하려면 쉘 명령을 사용하십시오.
pip install pinecone-client
Pinecone API 키 가져오기 및 확인
당신은 API 키 Pinecone을 활용합니다. Pinecone API를 얻는 방법에 대한 가이드의 주요 단계로 Pinecone 콘솔을 열고 API 키를 선택하여 API 키를 찾습니다. 또한 프로젝트 환경이 이 보기에 표시됩니다. 당신의 환경 API 키도 마찬가지입니다.
다음 명령을 사용하여 Pinecone API 키가 작동하는지 확인하십시오.
수입 솔방울
pinecone.init(api_key=”YOUR_API_KEY”, 환경=”YOUR_ENVIRONMENT”)
귀하의 API 키는 정당한 오류 메시지가 표시되지 않는 경우.
나머지는 조금 복잡하다
나머지 단계는 다음 세 가지 방법 중 하나로 완료할 수 있습니다.
- “Hello, Pinecone!”을 사용하여 브라우저에서 Python 코드를 생성하고 실행합니다. 콜라보 노트북.
- 다음 Python 명령을 로컬 Python 설치에 복사합니다.
- 다음 cURL API 명령을 사용합니다.
솔방울 초기화
수입 솔방울
pinecone.init(api_key=”YOUR_API_KEY”, 환경=”YOUR_ENVIRONMENT”)
인덱스 생성
다음 명령은 “라는 색인을 설정합니다.빠른 시작”는 유클리드 거리 메트릭을 사용하여 8차원 벡터에 대한 대략적인 최근접 이웃 검색을 수행합니다.
인덱스를 만드는 데 약 1분 정도 걸립니다.
pinecone.create_index(“빠른 시작”, 치수=8, 메트릭=”유클리드”, pod_type=”p1″)
AutoGPT와 같은 특정 오픈 소스 프로젝트에서 개발한 인덱스는 스타터(무료) 플랜에서 1일 동안 활동이 없으면 보관 및 삭제됩니다. 일반적으로 다른 계획에서 만든 인덱스는 보관 후 삭제됩니다. 비활성 7일. API 호출을 Pinecone에 보내면 카운터가 재설정되어 이런 일이 발생하지 않습니다.
색인 목록 검색
색인 이름이 색인 목록 일단 설립되었습니다.
아래 명령은 인덱스 목록을 반환합니다.
pinecone.list_indexes()
# 반환:
# [‘quickstart’]
인덱스에 연결(클라이언트 전용)
당신은해야합니다 인덱스에 연결 클라이언트를 사용하여 쿼리하기 전에.
아래 나열된 명령을 사용하여 색인에 연결할 수 있습니다.
index = pinecone.Index(“빠른 시작”)
데이터 삽입
사용 업서트 인덱스에 벡터를 삽입하는 작업입니다.
upsert 작업은 인덱스에 새 벡터를 추가하거나 동일한 ID를 가진 기존 벡터가 이미 있는 경우 벡터를 업데이트합니다.
아래 나열된 명령은 5개의 8차원 벡터를 인덱스로 업셋합니다.
# Upsert 샘플 데이터(5개의 8차원 벡터)
index.upsert([
(“A”, [0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1]),
(“비”, [0.2, 0.2, 0.2, 0.2, 0.2, 0.2, 0.2, 0.2]),
(“씨”, [0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3]),
(“디”, [0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4]),
(“이자형”, [0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5])
])
Pinecone 인덱스의 끝점은 위의 cURL 코드에서 사용됩니다.
upsert 데이터는 벡터 100개 더 많은 양의 데이터를 업서트할 때 여러 번의 업서트 요청 과정에서 더 적습니다.
색인에 대한 통계 얻기
다음 명령은 다음을 제공합니다. 통계 색인의 내용에 대해.
index.describe_index_stats()
# 반환:
# {‘dimension’: 8, ‘index_fullness’: 0.0, ‘namespaces’: {”: {‘vector_count’: 5}}}
인덱스 쿼리 및 유사한 벡터 가져오기
다음 예제에서는 위의 2단계(“인덱스 생성”)에서 정의한 유클리드 거리 측정법을 사용하여 예제와 가장 유사한 3개의 벡터에 대한 인덱스를 검색합니다. 8차원 벡터.
index.query(
벡터=[0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3],
top_k=3,
include_values=참
)
# 반환:
# {‘일치’: [{‘id’: ‘C’,
# ‘score’: 0.0,
# ‘values’: [0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3]},
# {‘id’: ‘디’,
# ‘점수’: 0.0799999237,
# ‘값’: [0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4, 0.4]},
# {‘id’: ‘B’,
# ‘점수’: 0.0800000429,
# ‘값’: [0.2, 0.2, 0.2, 0.2, 0.2, 0.2, 0.2, 0.2]}],
# ‘네임스페이스’: ”}
인덱스 삭제
사용 삭제_인덱스 색인 사용이 끝나면 색인을 제거하는 작업입니다.
아래 명령을 사용하여 인덱스를 제거합니다.
pinecone.delete_index(“빠른 시작”)
삭제된 인덱스는 할 수 없다 다시 사용할 수 있습니다.
이 모든 단계를 완료하면 이제 Pinecone API를 얻고 Pinecone 사용을 시작하는 방법을 배웠을 것입니다. 관심이 있으시면 AutoGPT란 무엇이며 어떻게 사용합니까?를 확인하십시오.
Source: Pinecone API를 얻는 방법 설명