Elasticsearch Document & Type & Index

本文详细介绍了Elasticsearch中的核心概念,包括文档(Document)的构成,如文档元数据(_index、_type、_id、_source、_version和_score)、字段类型(基础类型、数组类型、地理位置类型和特殊类型)。同时阐述了类型(Document Type)的变化,以及在Elasticsearch 7.0之后的单Document Type限制。索引(Index)作为一组相同类型文档的集合,如歌曲索引。最后提及了REST API在Elasticsearch操作中的应用,如创建索引和写入文档。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

要了解Eleasticsearch,首先就要从基本的对象进行了解,这一篇是介绍什么是文档(Document),什么是类型(Document Type),什么是索引(Index),如何去创建和使用。

文档(Document)

文档是 Elasticsearch 中可被搜索的最小单位,文档由多个字段的值组成,通过序列化 JSON 格式保存在Elasticsearch中,每一个文档都有唯一的ID。例如个人的简历、歌曲的详情等等都可以存储在文档中。

文档元数据

用于标注文档的相关信息
_index :文档所属的索引名
_type :文档所属的类型名
_id :文档唯一ID
_source:文档的原始 JSON 数据
_version:文档的版本信息
_score:相关性打分

文档字段的类型

基础类型:
字符串 String,String还包含 text(可被索引) 和 keywork(不分词不支持索引)
数值 包含Byte,Short,Integer,Long,Float,Double
数组类型 包含字符串和数值及对象型数组
地址位置类型 包含单一经纬度坐标 Geo-point 及区域性经纬度坐标 Geo-Shape
特殊类型包 含 IPv4,IPv6地址等类型

<
### 使用 AutoGPTQ 库量化 Transformer 模型 为了使用 `AutoGPTQ` 对 Transformer 模型进行量化,可以遵循如下方法: 安装所需的依赖包是必要的操作。通过 pip 安装 `auto-gptq` 可以获取最新版本的库。 ```bash pip install auto-gptq ``` 加载预训练模型并应用 GPTQ (General-Purpose Tensor Quantization) 技术来减少模型大小加速推理过程是一个常见的流程。下面展示了如何利用 `AutoGPTQForCausalLM` 类来进行这一工作[^1]。 ```python from transformers import AutoModelForCausalLM, AutoTokenizer from auto_gptq import AutoGPTQForCausalLM model_name_or_path = "facebook/opt-350m" quantized_model_dir = "./quantized_model" tokenizer = AutoTokenizer.from_pretrained(model_name_or_path) model = AutoModelForCausalLM.from_pretrained(model_name_or_path) # 加载已经量化的模型或者创建一个新的量化器对象用于量化未压缩过的模型 gptq_model = AutoGPTQForCausalLM.from_pretrained(quantized_model_dir, model=model, tokenizer=tokenizer) ``` 对于那些希望进一步优化其部署环境中的模型性能的人来说,`AutoGPTQ` 提供了多种配置选项来自定义量化参数,比如位宽(bit-width),这有助于平衡精度损失与运行效率之间的关系。 #### 注意事项 当处理特定硬件平台上的部署时,建议查阅官方文档以获得最佳实践指导支持信息。此外,在实际应用场景之前应该充分测试经过量化的模型以确保满足预期的质量标准。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值