Metoda encode() transformă liste de fraze sau paragrafe în matrici de vectori densi normalizați, calculați prin pooling inteligent peste stările ascunse ale modelului.
Exemplu de utilizare
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("BAAI/bge-m3")
texte = [
"Inteligența artificială revoluționează medicina.",
"Noile modele LLM diagnostichează patologii complexe."
]
embeddings = model.encode(texte, normalize_embeddings=True, show_progress_bar=False)
print(f"Forma tensorului: {embeddings.shape}") # (2, 1024)
# Calcul similaritate cosinus prin produs scalar simplu
similaritate = embeddings[0] @ embeddings[1].T
print(f"Similaritate semantică: {similaritate:.4f}")Parametrul normalize_embeddings=True permite calculul similarității cosinus direct prin produs dot rapid.
Întrebări & Exemple practice:
Metoda SentenceTransformer.encode: Calculul Vectorilor de Embedding SemanticAi o întrebare despre Metoda SentenceTransformer.encode: Calculul Vectorilor de Embedding Semantic sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.