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

Efficient interpolation-based ranking on CPUs

ویژگی	مقدار
سیستم عامل	-
نام فایل	fast-forward-indexes-0.1.0
نام	fast-forward-indexes
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Jurek Leonhardt
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/mrjleo/fast-forward-indexes
آدرس اینترنتی	https://pypi.org/project/fast-forward-indexes/
مجوز	MIT

# Fast-Forward Indexes This is the reference implementation of [Fast-Forward indexes](https://arxiv.org/abs/2110.06051). ⚠ **Important**: As this library is still in its early stages, the API is subject to change! ⚠ ## Installation Install the package via `pip`: ```bash pip install fast-forward-indexes ``` ## Getting Started Using a Fast-Forward index is as simple as providing a TREC run with sparse scores: ```python from pathlib import Path from fast_forward.encoder import TCTColBERTQueryEncoder from fast_forward.index import InMemoryIndex, Mode from fast_forward.ranking import Ranking # choose a pre-trained query encoder encoder = TCTColBERTQueryEncoder("castorini/tct_colbert-msmarco") # load an index from disk into memory index = InMemoryIndex.from_disk(Path("/path/to/index"), encoder, Mode.MAXP) # load a sparse run (TREC format) sparse_ranking = Ranking.from_file(Path("/path/to/sparse/run.tsv")) # load all required queries queries = { "q1": "query 1", "q2": "query 2", # ... "qn": "query n" } # compute the corresponding dense scores and interpolate alpha = 0.2 result = index.get_scores( sparse_ranking, queries, alpha=alpha, cutoff=10, early_stopping=True ) # create a new TREC runfile with the interpolated ranking result[alpha].save(Path("/path/to/interpolated/run.tsv")) ``` ## Documentation A more detailed documentation is available [here](https://mrjleo.github.io/fast-forward-indexes/latest/fast_forward.html). ## Examples * [Creating a Fast-Forward index from a prebuilt Pyserini index](fast_forward/examples/create_index_from_pyserini.py) * [Computing dense scores for a sparse run and interpolating](fast_forward/examples/interpolate.py)

نیازمندی

مقدار	نام
>=1.8.2	torch
>=1.20.3	numpy
>=4.9.0	transformers
>=1.7.3	scipy
-	tqdm

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl fast-forward-indexes-0.1.0:

pip install fast-forward-indexes-0.1.0.whl

نصب پکیج tar.gz fast-forward-indexes-0.1.0:

pip install fast-forward-indexes-0.1.0.tar.gz