Skip to content

P
PaddleHub

PaddlePaddle / PaddleHub
大约 2 年 前同步成功

通知 285
Star 12117
Fork 2091
P
PaddleHub
未验证 提交 14f9f3af 编写于 作者: L linjieccc 提交者： GitHub
浏览文件
操作

Update simnet_bow, word2vec_skipgram, lda_news and lda_webpage docs (#1593)

上级 2a6e4223
隐藏空白更改
内联 并排
Showing with 361 addition and 223 deletion
modules/text/embedding/word2vec_skipgram/README.md
浏览文件 @ 14f9f3af
## 概述
# word2vec_skipgram
|模型名称|word2vec_skipgram|
| :--- | :---: |
|类别|文本-词嵌入|
|网络|skip-gram|
|数据集|百度自建数据集|
|是否支持Fine-tuning|是|
|模型大小|861MB|
|最新更新日期|2021-02-26|
|数据指标|-|
Word2vec是常用的词嵌入（word embedding）模型。该PaddleHub Module基于Skip-gram模型，在海量百度搜索数据集下预训练得到中文单词预训练词嵌入。其支持Fine-tune。Word2vec的预训练数据集的词汇表大小为1700249，word embedding维度为128。
## 一、模型基本信息
## API
- ### 模型介绍
### context(trainable=False, max_seq_len=128, num_slots=1)
- Word2vec是常用的词嵌入（word embedding）模型。该PaddleHub Module基于Skip-gram模型，在海量百度搜索数据集下预训练得到中文单词预训练词嵌入。其支持Fine-tune。Word2vec的预训练数据集的词汇表大小为1700249，word embedding维度为128。
获取该Module的预训练program以及program相应的输入输出。
## 二、安装
**参数**
- ### 1、环境依赖
* trainable(bool): trainable=True表示program中的参数在Fine-tune时需要微调，否则保持不变。
* max_seq_len(int): 模型使用的最大序列长度。
* num_slots(int): 输入到模型所需要的文本个数，如完成单句文本分类任务，则num_slots=1；完成pointwise文本匹配任务，则num_slots=2；完成pairtwise文本匹配任务，则num_slots=3；
- paddlepaddle >= 1.8.2
**返回**
- paddlehub >= 1.8.0 | [如何安装PaddleHub](../../../../docs/docs_ch/get_start/installation.rst)
* inputs(dict): program的输入变量
* outputs(dict): program的输出变量
* main_program(Program): 带有预训练参数的program
- ### 2、安装
### 代码示例
- ```shell
$ hub install word2vec_skipgram
```
- 如您安装时遇到问题，可参考：[零基础windows安装](../../../../docs/docs_ch/get_start/windows_quickstart.md)
| [零基础Linux安装](../../../../docs/docs_ch/get_start/linux_quickstart.md) | [零基础MacOS安装](../../../../docs/docs_ch/get_start/mac_quickstart.md)
## 三、模型API
- ### 1、Finetune代码示例
```python
import paddlehub as hub
......@@ -36,13 +50,25 @@ word_ids = inputs["text"]
embedding = outputs["emb"]
```
## 依赖
- ### 2、API
- ```python
context(trainable=False, max_seq_len=128, num_slots=1)
```
- **参数**
- trainable(bool): trainable=True表示program中的参数在Fine-tune时需要微调，否则保持不变。
- max_seq_len(int): 模型使用的最大序列长度。
- num_slots(int): 输入到模型所需要的文本个数，如完成单句文本分类任务，则num_slots=1；完成pointwise文本匹配任务，则num_slots=2；完成pairtwise文本匹配任务，则num_slots=3；
paddlepaddle >= 1.8.2
- **返回**
paddlehub >= 1.8.0
- inputs(dict): program的输入变量
- outputs(dict): program的输出变量
- main_program(Program): 带有预训练参数的program
## 更新历史
## 四、更新历史
* 1.0.0
......
modules/text/language_model/lda_news/README.md
浏览文件 @ 14f9f3af
## 模型概述
# lda_news
主题模型(Topic Model)是以无监督学习的方式对文档的隐含语义结构进行聚类的统计模型，其中LDA(Latent Dirichlet Allocation)算法是主题模型的一种。LDA根据对词的共现信息的分析，拟合出词-文档-主题的分布，从而将词、文本映射到一个语义空间中。本Module基于的数据集为百度自建的新闻领域数据集。
|模型名称|lda_news|
| :--- | :---: |
|类别|文本-主题模型|
|网络|LDA|
|数据集|百度自建新闻领域数据集|
|是否支持Fine-tuning|否|
|模型大小|19MB|
|最新更新日期|2021-02-26|
|数据指标|-|
<p align="center">
<img src="https://bj.bcebos.com/paddlehub/model/nlp/semantic_model/lda.png" hspace='10'/> <br />
</p>
## 一、模型基本信息
更多详情请参考[LDA论文](http://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf)。
- ### 模型介绍
注：该Module由第三方开发者DesmonDay贡献。
- 主题模型(Topic Model)是以无监督学习的方式对文档的隐含语义结构进行聚类的统计模型，其中LDA(Latent Dirichlet Allocation)算法是主题模型的一种。LDA根据对词的共现信息的分析，拟合出词-文档-主题的分布，从而将词、文本映射到一个语义空间中。
## LDA模型 API 说明
### cal_doc_distance(doc_text1, doc_text2)
用于计算两个输入文档之间的距离，包括Jensen-Shannon divergence(JS散度)、Hellinger Distance(海林格距离)。
<p align="center">
<img src="https://bj.bcebos.com/paddlehub/model/nlp/semantic_model/lda.png" width=600 hspace='10'/> <br />
</p>
**参数**
更多详情请参考[LDA论文](http://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf)。
- doc_text1(str): 输入的第一个文档。
- doc_text2(str): 输入的第二个文档。
## 二、安装
**返回**
- ### 1、环境依赖
- jsd(float): 两个文档之间的JS散度([Jensen-Shannon divergence](https://blog.csdn.net/FrankieHello/article/details/80614422?utm_source=copy))。
- hd(float): 两个文档之间的海林格距离([Hellinger Distance](http://blog.sina.com.cn/s/blog_85f1ffb70101e65d.html))。
- paddlepaddle >= 1.8.2
### cal_doc_keywords_similarity(document, top_k=10)
- paddlehub >= 1.8.0 | [如何安装PaddleHub](../../../../docs/docs_ch/get_start/installation.rst)
用于查找输入文档的前k个关键词及对应的与原文档的相似度。
- ### 2、安装
**参数**
- ```shell
$ hub install lda_news
```
- 如您安装时遇到问题，可参考：[零基础windows安装](../../../../docs/docs_ch/get_start/windows_quickstart.md)
| [零基础Linux安装](../../../../docs/docs_ch/get_start/linux_quickstart.md) | [零基础MacOS安装](../../../../docs/docs_ch/get_start/mac_quickstart.md)
- document(str): 输入文档。
- top_k(int): 查找输入文档的前k个关键词。
## 三、模型API预测
**返回**
- ### 1、预测代码示例
- results(list): 包含每个关键词以及对应的与原文档的相似度。其中，list的基本元素为dict，dict的key为关键词，value为对应的与原文档的相似度。
### cal_query_doc_similarity(query, document)
用于计算短文档与长文档之间的相似度。
**参数**
- query(str): 输入的短文档。
- document(str): 输入的长文档。
**返回**
- lda_sim(float): 返回短文档与长文档之间的相似度。
### infer_doc_topic_distribution(document)
用于推理出文档的主题分布。
**参数**
- document(str): 输入文档。
**返回**
- results(list): 包含主题分布下各个主题ID和对应的概率分布。其中，list的基本元素为dict，dict的key为主题ID，value为各个主题ID对应的概率。
### show_topic_keywords(topic_id, k=10)
用于展示出每个主题下对应的关键词，可配合推理主题分布的API使用。
**参数**
- topic_id(int): 主题ID。
- k(int): 需要知道对应主题的前k个关键词。
**返回**
- results(dict): 返回对应文档的前k个关键词，以及各个关键词在文档中的出现概率。
### 代码示例
这里展示部分API的使用示例。
``` python
import paddlehub as hub
......@@ -121,18 +85,84 @@ keywords = lda_news.show_topic_keywords(topic_id=216)
```
## 查看代码
https://github.com/baidu/Familia
- ### 2、API
- ```python
cal_doc_distance(doc_text1, doc_text2)
```
- 用于计算两个输入文档之间的距离，包括Jensen-Shannon divergence(JS散度)、Hellinger Distance(海林格距离)。
- **参数**
- doc_text1(str): 输入的第一个文档。
- doc_text2(str): 输入的第二个文档。
- **返回**
- jsd(float): 两个文档之间的JS散度([Jensen-Shannon divergence](https://blog.csdn.net/FrankieHello/article/details/80614422?utm_source=copy))。
- hd(float): 两个文档之间的海林格距离([Hellinger Distance](http://blog.sina.com.cn/s/blog_85f1ffb70101e65d.html))。
- ```python
cal_doc_keywords_similarity(document, top_k=10)
```
- 用于查找输入文档的前k个关键词及对应的与原文档的相似度。
- **参数**
- document(str): 输入文档。
- top_k(int): 查找输入文档的前k个关键词。
- **返回**
- results(list): 包含每个关键词以及对应的与原文档的相似度。其中，list的基本元素为dict，dict的key为关键词，value为对应的与原文档的相似度。
- ```python
cal_query_doc_similarity(query, document)
```
- 用于计算短文档与长文档之间的相似度。
- **参数**
- query(str): 输入的短文档。
- document(str): 输入的长文档。
- **返回**
- lda_sim(float): 返回短文档与长文档之间的相似度。
- ```python
infer_doc_topic_distribution(document)
```
- 用于推理出文档的主题分布。
- **参数**
- document(str): 输入文档。
- **返回**
- results(list): 包含主题分布下各个主题ID和对应的概率分布。其中，list的基本元素为dict，dict的key为主题ID，value为各个主题ID对应的概率。
- ```python
show_topic_keywords(topic_id, k=10)
```
- 用于展示出每个主题下对应的关键词，可配合推理主题分布的API使用。
## 依赖
- **参数**
paddlepaddle >= 1.8.2
- topic_id(int): 主题ID。
- k(int): 需要知道对应主题的前k个关键词。
paddlehub >= 1.8.0
- **返回**
- results(dict): 返回对应文档的前k个关键词，以及各个关键词在文档中的出现概率。
## 更新历史
## 四、更新历史
* 1.0.0
......
modules/text/language_model/lda_webpage/README.md
浏览文件 @ 14f9f3af
## 模型概述
# lda_webpage
主题模型(Topic Model)是以无监督学习的方式对文档的隐含语义结构进行聚类的统计模型，其中LDA(Latent Dirichlet Allocation)算法是主题模型的一种。LDA根据对词的共现信息的分析，拟合出词-文档-主题的分布，从而将词、文本映射到一个语义空间中。本Module基于的数据集为百度自建的网页领域数据集。
|模型名称|lda_webpage|
| :--- | :---: |
|类别|文本-主题模型|
|网络|LDA|
|数据集|百度自建网页领域数据集|
|是否支持Fine-tuning|否|
|模型大小|31MB|
|最新更新日期|2021-02-26|
|数据指标|-|
<p align="center">
<img src="https://bj.bcebos.com/paddlehub/model/nlp/semantic_model/lda.png" hspace='10'/> <br />
</p>
## 一、模型基本信息
更多详情请参考[LDA论文](http://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf)。
- ### 模型介绍
注：该Module由第三方开发者DesmonDay贡献。
- 主题模型(Topic Model)是以无监督学习的方式对文档的隐含语义结构进行聚类的统计模型，其中LDA(Latent Dirichlet Allocation)算法是主题模型的一种。LDA根据对词的共现信息的分析，拟合出词-文档-主题的分布，从而将词、文本映射到一个语义空间中。
## LDA模型 API 说明
### cal_doc_distance(doc_text1, doc_text2)
用于计算两个输入文档之间的距离，包括Jensen-Shannon divergence(JS散度)、Hellinger Distance(海林格距离)。
<p align="center">
<img src="https://bj.bcebos.com/paddlehub/model/nlp/semantic_model/lda.png" hspace='10'/> <br />
</p>
**参数**
更多详情请参考[LDA论文](http://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf)。
- doc_text1(str): 输入的第一个文档。
- doc_text2(str): 输入的第二个文档。
注：该Module由第三方开发者DesmonDay贡献。
**返回**
## 二、安装
- jsd(float): 两个文档之间的JS散度([Jensen-Shannon divergence](https://blog.csdn.net/FrankieHello/article/details/80614422?utm_source=copy))。
- hd(float): 两个文档之间的海林格距离([Hellinger Distance](http://blog.sina.com.cn/s/blog_85f1ffb70101e65d.html))。
- ### 1、环境依赖
### cal_doc_keywords_similarity(document, top_k=10)
- paddlepaddle >= 1.8.2
用于查找输入文档的前k个关键词及对应的与原文档的相似度。
- paddlehub >= 1.8.0 | [如何安装PaddleHub](../../../../docs/docs_ch/get_start/installation.rst)
**参数**
- ### 2、安装
- document(str): 输入文档。
- top_k(int): 查找输入文档的前k个关键词。
- ```shell
$ hub install lda_webpage
```
- 如您安装时遇到问题，可参考：[零基础windows安装](../../../../docs/docs_ch/get_start/windows_quickstart.md)
| [零基础Linux安装](../../../../docs/docs_ch/get_start/linux_quickstart.md) | [零基础MacOS安装](../../../../docs/docs_ch/get_start/mac_quickstart.md)
**返回**
## 三、模型API预测
- results(list): 包含每个关键词以及对应的与原文档的相似度。其中，list的基本元素为dict，dict的key为关键词，value为对应的与原文档的相似度。
- ### 1、预测代码示例
### cal_query_doc_similarity(query, document)
用于计算短文档与长文档之间的相似度。
**参数**
- query(str): 输入的短文档。
- document(str): 输入的长文档。
**返回**
- lda_sim(float): 返回短文档与长文档之间的相似度。
### infer_doc_topic_distribution(document)
用于推理出文档的主题分布。
**参数**
- document(str): 输入文档。
**返回**
- results(list): 包含主题分布下各个主题ID和对应的概率分布。其中，list的基本元素为dict，dict的key为主题ID，value为各个主题ID对应的概率。
### show_topic_keywords(topic_id, k=10)
用于展示出每个主题下对应的关键词，可配合推理主题分布的API使用。
**参数**
- topic_id(int): 主题ID。
- k(int): 需要知道对应主题的前k个关键词。
**返回**
- results(dict): 返回对应文档的前k个关键词，以及各个关键词在文档中的出现概率。
### 代码示例
这里展示部分API的使用示例。
``` python
import paddlehub as hub
......@@ -118,17 +84,87 @@ keywords = lda_webpage.show_topic_keywords(3458)
```
## 查看代码
https://github.com/baidu/Familia
- #### 查看代码
https://github.com/baidu/Familia
- ### 2、API
- ```python
cal_doc_distance(doc_text1, doc_text2)
```
- 用于计算两个输入文档之间的距离，包括Jensen-Shannon divergence(JS散度)、Hellinger Distance(海林格距离)。
- **参数**
- doc_text1(str): 输入的第一个文档。
- doc_text2(str): 输入的第二个文档。
- **返回**
- jsd(float): 两个文档之间的JS散度([Jensen-Shannon divergence](https://blog.csdn.net/FrankieHello/article/details/80614422?utm_source=copy))。
- hd(float): 两个文档之间的海林格距离([Hellinger Distance](http://blog.sina.com.cn/s/blog_85f1ffb70101e65d.html))。
- ```python
cal_doc_keywords_similarity(document, top_k=10)
```
- 用于查找输入文档的前k个关键词及对应的与原文档的相似度。
- **参数**
- document(str): 输入文档。
- top_k(int): 查找输入文档的前k个关键词。
- **返回**
- results(list): 包含每个关键词以及对应的与原文档的相似度。其中，list的基本元素为dict，dict的key为关键词，value为对应的与原文档的相似度。
- ```python
cal_query_doc_similarity(query, document)
```
- 用于计算短文档与长文档之间的相似度。
- **参数**
- query(str): 输入的短文档。
- document(str): 输入的长文档。
- **返回**
- lda_sim(float): 返回短文档与长文档之间的相似度。
- ```python
infer_doc_topic_distribution(document)
```
- 用于推理出文档的主题分布。
- **参数**
- document(str): 输入文档。
- **返回**
- results(list): 包含主题分布下各个主题ID和对应的概率分布。其中，list的基本元素为dict，dict的key为主题ID，value为各个主题ID对应的概率。
- ```python
show_topic_keywords(topic_id, k=10)
```
- 用于展示出每个主题下对应的关键词，可配合推理主题分布的API使用。
- **参数**
## 依赖
- topic_id(int): 主题ID。
- k(int): 需要知道对应主题的前k个关键词。
paddlepaddle >= 1.8.2
- **返回**
paddlehub >= 1.8.0
- results(dict): 返回对应文档的前k个关键词，以及各个关键词在文档中的出现概率。
## 更新历史
## 四、更新历史
* 1.0.0
......
modules/text/language_model/simnet_bow/README.md
浏览文件 @ 14f9f3af
# SimnetBOW API说明
# simnet_bow
|模型名称|simnet_bow|
| :--- | :---: |
|类别|文本-语义匹配|
|网络|BOW|
|数据集|百度自建数据集|
|是否支持Fine-tuning|否|
|模型大小|245MB|
|最新更新日期|2021-02-26|
|数据指标|-|
## similarity(texts=[], data={}, use_gpu=False, batch_size=1)
simnet_bow预测接口，计算两个句子的cosin相似度
## 一、模型基本信息
**参数**
- ### 模型介绍
* texts(list): 待预测数据，第一个元素(list)为第一顺序句子，第二个元素(list)为第二顺序句子，两个元素长度相同。
如texts=[["这道题太难了", "这道题太难了", "这道题太难了"], ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]]。
如果使用texts参数，则不用传入data参数，二选一即可
* data(dict): 预测数据，key必须为'text_1' 和'text_2'，相应的value(list)是第一顺序句子和第二顺序句子。
如data={"text_1": ["这道题太难了", "这道题太难了", "这道题太难了"], "text_2": ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]}。
如果使用data参数，则不用传入texts参数，二选一即可。建议使用texts参数，data参数后续会废弃。
* data(dict): 预测数据，key必须为'text_1' 和'text_2'，相应的value(list)是第一顺序句子和第二顺序句子。如果使用data参数，则不用传入texts参数，二选一即可。建议使用texts参数，data参数后续会废弃。
* use_gpu(bool): 是否使用GPU预测，如果使用GPU预测，则在预测之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置
* batch_size(int): 批处理大小
- 短文本语义匹配(SimilarityNet, SimNet)是一个计算短文本相似度的模型，可以根据用户输入的两个文本，计算出相似度得分。SimNet在百度各产品上广泛应用，适用于信息检索、新闻推荐、智能客服等多个应用场景，帮助企业解决语义匹配问题。该PaddleHub Module基于BOW网络结构，支持预测。
**返回**
## 二、安装
* results(list): 带预测数据的cosin相似度
- ### 1、环境依赖
### context(trainable=False, max_seq_len=128, num_slots=1)
- paddlepaddle >= 2.1.0
获取该Module的预训练program以及program相应的输入输出。
- paddlehub >= 2.1.0 | [如何安装PaddleHub](../../../../docs/docs_ch/get_start/installation.rst)
**参数**
- ### 2、安装
* trainable(bool): trainable=True表示program中的参数在Fine-tune时需要微调，否则保持不变。
* max_seq_len(int): 模型使用的最大序列长度。
* num_slots(int): 输入到模型所需要的文本个数，如完成单句文本分类任务，则num_slots=1；完成pointwise文本匹配任务，则num_slots=2；完成pairtwise文本匹配任务，则num_slots=3；
- ```shell
$ hub install simnet_bow
```
**返回**
- 如您安装时遇到问题，可参考：[零基础windows安装](../../../../docs/docs_ch/get_start/windows_quickstart.md)
| [零基础Linux安装](../../../../docs/docs_ch/get_start/linux_quickstart.md) | [零基础MacOS安装](../../../../docs/docs_ch/get_start/mac_quickstart.md)
* inputs(dict): program的输入变量
* outputs(dict): program的输出变量
* main_program(Program): 带有预训练参数的program
## 三、模型API预测
## get_vocab_path()
- ### 1、命令行预测
获取预训练时使用的词汇表
- ```shell
$ hub run simnet_bow --text_1 "这道题很难" --text_2 "这道题不简单"
```
- 通过命令行方式实现文字识别模型的调用，更多请见 [PaddleHub命令行指令](../../../../docs/docs_ch/tutorial/cmd_usage.rst)
**返回**
- ### 2、预测代码示例
* vocab_path(str): 词汇表路径
- ```python
import paddlehub as hub
# SimnetBow 服务部署
simnet_bow = hub.Module(name="simnet_bow")
PaddleHub Serving可以部署一个在线语义匹配服务，可以将此接口用于在线web应用。
# Data to be predicted
test_text_1 = ["这道题太难了", "这道题太难了", "这道题太难了"]
test_text_2 = ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]
## 第一步：启动PaddleHub Serving
inputs = {"text_1": test_text_1, "text_2": test_text_2}
results = simnet_bow.similarity(data=inputs, batch_size=2)
print(results)
运行启动命令：
```shell
$ hub serving start -m simnet_bow
```
# [{'text_1': '这道题太难了', 'text_2': '这道题是上一年的考题', 'similarity': 0.689}, {'text_1': '这道题太难了', 'text_2': '这道题不简单', 'similarity': 0.855}, {'text_1': '这道题太难了', 'text_2': '这道题很有意思', 'similarity': 0.8166}]
```
- ### 3、 API
启动时会显示加载模型过程，启动成功后显示
```shell
Loading simnet_bow successful.
```
- ```python
similarity(texts=[], use_gpu=False, batch_size=1)
```
这样就完成了服务化API的部署，默认端口号为8866。
- simnet_bow预测接口，计算两个句子的cosin相似度
**NOTE:** 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。
- **参数**
## 第二步：发送预测请求
- texts(list): 待预测数据，第一个元素(list)为第一顺序句子，第二个元素(list)为第二顺序句子，两个元素长度相同。
如texts=[["这道题太难了", "这道题太难了", "这道题太难了"], ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]]。
- use_gpu(bool): 是否使用GPU预测，如果使用GPU预测，则在预测之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置
- batch_size(int): 批处理大小
配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果
- **返回**
```python
import requests
import json
- results(list): 带预测数据的cosin相似度
# 待预测数据
test_text_1 = ["这道题太难了", "这道题太难了", "这道题太难了"]
test_text_2 = ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]
- ```python
get_vocab_path()
```
- 获取预训练时使用的词汇表
text = [test_text_1, test_text_2]
- **返回**
# 设置运行配置
# 对应本地预测simnet_bow.similarity(texts=text, batch_size=1, use_gpu=True)
data = {"texts": text, "batch_size": 1, "use_gpu":True}
- vocab_path(str): 词汇表路径
# 指定预测方法为simnet_bow并发送post请求，content-type类型应指定json方式
# HOST_IP为服务器IP
url = "http://HOST_IP:8866/predict/simnet_bow"
headers = {"Content-Type": "application/json"}
r = requests.post(url=url, headers=headers, data=json.dumps(data))
## 四、服务部署
# 打印预测结果
print(json.dumps(r.json(), indent=4, ensure_ascii=False))
```
- PaddleHub Serving可以部署一个在线语义匹配服务，可以将此接口用于在线web应用。
关于PaddleHub Serving更多信息参考[服务部署](https://github.com/PaddlePaddle/PaddleHub/blob/release/v1.6/docs/tutorial/serving.md)
- ### 第一步：启动PaddleHub Serving
## 更新历史
- 运行启动命令：
- ```shell
$ hub serving start -m simnet_bow
```
- 启动时会显示加载模型过程，启动成功后显示
- ```shell
Loading simnet_bow successful.
```
- 这样就完成了服务化API的部署，默认端口号为8866。
- **NOTE:** 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。
- ### 第二步：发送预测请求
- 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果
- ```python
import requests
import json
# 待预测数据
test_text_1 = ["这道题太难了", "这道题太难了", "这道题太难了"]
test_text_2 = ["这道题是上一年的考题", "这道题不简单", "这道题很有意思"]
text = [test_text_1, test_text_2]
# 设置运行配置
# 对应本地预测simnet_bow.similarity(texts=text, batch_size=1, use_gpu=True)
data = {"texts": text, "batch_size": 1, "use_gpu":True}
# 指定预测方法为simnet_bow并发送post请求，content-type类型应指定json方式
# HOST_IP为服务器IP
url = "http://HOST_IP:8866/predict/simnet_bow"
headers = {"Content-Type": "application/json"}
r = requests.post(url=url, headers=headers, data=json.dumps(data))
# 打印预测结果
print(json.dumps(r.json(), indent=4, ensure_ascii=False))
```
- 关于PaddleHub Serving更多信息参考：[服务部署](../../../../docs/docs_ch/tutorial/serving.md)
## 五、更新历史
* 1.0.0
......
Markdown is supported
0% 或 .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑！
想要评论请 注册 或