灯饰模板网站,阿里巴巴建站多少钱,网站更新了文章看不到,引擎seo优Oracle AI Vector Search 支持使用 SQL 生成向量和计算向量相似度 0. 事情准备1. 使用 SQL 生成向量数据2. 使用 SQL 计算欧氏距离(Euclidean distance)3. 使用 SQL 计算余弦相似度(Cosine similarity)4. 使用 SQL 计算点积相似度 (Dot Product Similarity)5. 使用 SQL 计算曼哈… Oracle AI Vector Search 支持使用 SQL 生成向量和计算向量相似度 0. 事情准备1. 使用 SQL 生成向量数据2. 使用 SQL 计算欧氏距离(Euclidean distance)3. 使用 SQL 计算余弦相似度(Cosine similarity)4. 使用 SQL 计算点积相似度 (Dot Product Similarity)5. 使用 SQL 计算曼哈顿距离 (Manhattan Distance)6. 使用 VECTOR_DISTANCE() 函数 注意生成向量需要使用 Embedding 模型1是使用内嵌 ONNX 格式模型2是使用 OCI Cohere Embedding 模型。 0. 事情准备
设置OCI Cohere 认证信息
exec dbms_vector.drop_credential(OCI_CRED);
declarejo json_object_t;
begin-- create an OCI credentialjo : json_object_t();jo.put(user_ocid, user ocid value);jo.put(tenancy_ocid, tenancy ocid value);jo.put(compartment_ocid, compartment ocid value);jo.put(private_key, private key value);jo.put(fingerprint, fingerprint value);dbms_output.put_line(jo.to_string);dbms_vector.create_credential(credential_name OCI_CRED,params json(jo.to_string));
end;
/var embed_genai_params clob;
exec :embed_genai_params : {provider: ocigenai, credential_name: OCI_CRED, url: https://inference.generativeai.us-chicago-1.oci.oraclecloud.com/20231130/actions/embedText, model: cohere.embed-multilingual-v3.0};1. 使用 SQL 生成向量数据
SELECTet.embed_id,et.embed_data,to_vector(et.embed_vector) embed_vector
FROMdbms_vector_chain.utl_to_embeddings(hello, JSON(:embed_genai_params)) t,JSON_TABLE ( t.column_value, $[*]COLUMNS (embed_id NUMBER PATH $.embed_id,embed_data VARCHAR2 ( 4000 ) PATH $.embed_data,embed_vector CLOB PATH $.embed_vector))et;2. 使用 SQL 计算欧氏距离(Euclidean distance)
SELECTl2_distance(t1.embed_vector, t2.embed_vector)
FROM(SELECTto_vector(et.embed_vector) embed_vectorFROMdbms_vector_chain.utl_to_embeddings(hello, JSON(:embed_genai_params)) t,JSON_TABLE ( t.column_value, $[*]COLUMNS (embed_id NUMBER PATH $.embed_id,embed_data VARCHAR2 ( 4000 ) PATH $.embed_data,embed_vector CLOB PATH $.embed_vector))et) t1,(SELECTto_vector(et.embed_vector) embed_vectorFROMdbms_vector_chain.utl_to_embeddings(morning, JSON(:embed_genai_params)) t,JSON_TABLE ( t.column_value, $[*]COLUMNS (embed_id NUMBER PATH $.embed_id,embed_data VARCHAR2 ( 4000 ) PATH $.embed_data,embed_vector CLOB PATH $.embed_vector))et) t2;输出结果
L2_DISTANCE(T1.EMBED_VECTOR,T2.EMBED_VECTOR)
--------------------------------------------8.01E-0013. 使用 SQL 计算余弦相似度(Cosine similarity)
SELECTcosine_distance(t1.embed_vector, t2.embed_vector)
FROM(SELECTto_vector(et.embed_vector) embed_vectorFROMdbms_vector_chain.utl_to_embeddings(hello, JSON(:embed_genai_params)) t,JSON_TABLE ( t.column_value, $[*]COLUMNS (embed_id NUMBER PATH $.embed_id,embed_data VARCHAR2 ( 4000 ) PATH $.embed_data,embed_vector CLOB PATH $.embed_vector))et) t1,(SELECTto_vector(et.embed_vector) embed_vectorFROMdbms_vector_chain.utl_to_embeddings(morning, JSON(:embed_genai_params)) t,JSON_TABLE ( t.column_value, $[*]COLUMNS (embed_id NUMBER PATH $.embed_id,embed_data VARCHAR2 ( 4000 ) PATH $.embed_data,embed_vector CLOB PATH $.embed_vector))et) t2;输出结果
COSINE_DISTANCE(T1.EMBED_VECTOR,T2.EMBED_VECTOR)
------------------------------------------------3.208E-0014. 使用 SQL 计算点积相似度 (Dot Product Similarity)
SELECTinner_product(t1.embed_vector, t2.embed_vector)
FROM(SELECTto_vector(et.embed_vector) embed_vectorFROMdbms_vector_chain.utl_to_embeddings(hello, JSON(:embed_genai_params)) t,JSON_TABLE ( t.column_value, $[*]COLUMNS (embed_id NUMBER PATH $.embed_id,embed_data VARCHAR2 ( 4000 ) PATH $.embed_data,embed_vector CLOB PATH $.embed_vector))et) t1,(SELECTto_vector(et.embed_vector) embed_vectorFROMdbms_vector_chain.utl_to_embeddings(morning, JSON(:embed_genai_params)) t,JSON_TABLE ( t.column_value, $[*]COLUMNS (embed_id NUMBER PATH $.embed_id,embed_data VARCHAR2 ( 4000 ) PATH $.embed_data,embed_vector CLOB PATH $.embed_vector))et) t2;输出结果
INNER_PRODUCT(T1.EMBED_VECTOR,T2.EMBED_VECTOR)
----------------------------------------------6.791E-0015. 使用 SQL 计算曼哈顿距离 (Manhattan Distance)
SELECTl1_distance(t1.embed_vector, t2.embed_vector)
FROM(SELECTto_vector(et.embed_vector) embed_vectorFROMdbms_vector_chain.utl_to_embeddings(hello, JSON(:embed_genai_params)) t,JSON_TABLE ( t.column_value, $[*]COLUMNS (embed_id NUMBER PATH $.embed_id,embed_data VARCHAR2 ( 4000 ) PATH $.embed_data,embed_vector CLOB PATH $.embed_vector))et) t1,(SELECTto_vector(et.embed_vector) embed_vectorFROMdbms_vector_chain.utl_to_embeddings(morning, JSON(:embed_genai_params)) t,JSON_TABLE ( t.column_value, $[*]COLUMNS (embed_id NUMBER PATH $.embed_id,embed_data VARCHAR2 ( 4000 ) PATH $.embed_data,embed_vector CLOB PATH $.embed_vector))et) t2;输出结果
L1_DISTANCE(T1.EMBED_VECTOR,T2.EMBED_VECTOR)
--------------------------------------------2.001E0016. 使用 VECTOR_DISTANCE() 函数
VECTOR_DISTANCE(expr1, expr2, EUCLIDEAN) is equivalent to L2_DISTANCE(expr1, expr2), is equivanlent to expr1 -1 expr2VECTOR_DISTANCE(expr1, expr2, COSINE) is equivalent to COSINE_DISTANCE(expr1, expr2), is equivanlent to expr1 expr2VECTOR_DISTANCE(expr1, expr2, DOT) is equivalent to -1*INNER_PRODUCT(expr1, expr2), is equivanlent to expr1 # expr2VECTOR_DISTANCE(expr1, expr2, MANHANTTANT) is equivalent to L1_DISTANCE(expr1, expr2)
完结
