معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A package for storing and querying knowledge graph embeddings

ویژگی	مقدار
سیستم عامل	-
نام فایل	embeddingdb-0.0.1
نام	embeddingdb
نسخه کتابخانه	0.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	-
ایمیل نویسنده	-
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/embeddingdb/
مجوز	MIT

Embedding Database ================== This package provides a database schema and Python wrapper for storing the embeddings generated through various representation learning packages. Currently, this package focuses on using a SQL database with SQLAlchemy, but might be extended to use a NoSQL database as an alternative. Installation ------------ Install ``embeddingdb`` directly from GitHub with: .. code-block:: sh $ pip install git+https://github.com/cthoyt/embeddingdb Set the environment variable ``EMBEDDINGDB_CONNECTION`` to a valid SQLAlchemy connection string for a PostgreSQL instance, as this package uses the PostgreSQL-specific ``ARRAY`` type. Command Line Interface ---------------------- This package installs an entrypoint ``embeddingdb`` that can be used directly from the shell. Uploading Entity Embeddings ~~~~~~~~~~~~~~~~~~~~~~~~~~~ Entities can be embedded and stored from various types of representation learning, including network representation learning, knowledge graph embedding, and textual learning. Upload embeddings generated by ``word2vec`` by specifying the file path with: .. code-block:: sh $ embeddingdb upload --fmt word2vec --path ~/path/to/file.txt Upload embeddings generated by ``pykeen`` by specifying the output directory with: .. code-block:: sh $ embeddingdb upload --fmt keen --path ~/path/to/directory/ Listing Entity Embeddings ~~~~~~~~~~~~~~~~~~~~~~~~~ After uploading, the collections can be listed with: .. code-block:: sh $ embeddingdb ls Analyzing Entity Embeddings' Correlations ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ One of the motivations for building this repository was to make a convenient way to compare the embeddings for entities generated through orthogonal embedding tecnhiques. For example, we wanted to know to what extent the embeddings for proteins generated from their sequences with ``ratvec`` contained the same information as the embeddings generated from protein-protein interaction networks with ``pykeen`` or ``nrl``. The two positional arguments correspond to the collection identifiers in the database. .. code-block:: sh $ embeddingdb analyze 1 2 Running with Docker ------------------- After installing Docker, the entire web application can be instantiated with: .. code-block:: sh $ docker-compose up Get the endpoint ``/test`` to instantiate the database and add a test collection.

نیازمندی

مقدار	نام
-	sqlalchemy
-	tqdm
-	psycopg2-binary
-	scikit-learn
-	click
-	easy-config
-	pandas
-	joblib
-	sphinx
-	sphinx-rtd-theme
-	sphinx-click
-	sphinx-autodoc-typehints
-	flask
-	flask-bootstrap
-	flask-sqlalchemy
-	flasgger

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl embeddingdb-0.0.1:

pip install embeddingdb-0.0.1.whl

نصب پکیج tar.gz embeddingdb-0.0.1:

pip install embeddingdb-0.0.1.tar.gz