Začněte nyníZačněte zdarma

Dávkové upserty paralelně

V tomto cvičení si procvičíš vkládání vektorů do Pinecone indexu 'datacamp-index' paralelně. Budeš se muset připojit k indexu, asynchronně vkládat vektory po dávkách a zkontrolovat aktualizované metriky indexu 'datacamp-index'.

Helperová funkce chunks(), kterou jsi vytvořil/a dříve, je stále k dispozici:

def chunks(iterable, batch_size=100):
    """A helper function to break an iterable into chunks of size batch_size."""
    it = iter(iterable)
    chunk = tuple(itertools.islice(it, batch_size))
    while chunk:
        yield chunk
        chunk = tuple(itertools.islice(it, batch_size))

Toto cvičení je součástí kurzu

Tvorba AI aplikací s Pinecone

Zobrazit kurz

Pokyny k cvičení

  • Inicializuj Pinecone klienta s podporou 20 souběžných požadavků.
  • Vlož vektory z vectors po dávkách 200 vektorů na požadavek asynchronně s konfigurací 20 souběžných požadavků.
  • Vypiš aktualizované metriky Pinecone indexu 'datacamp-index'.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Initialize the client
pc = Pinecone(api_key="____", ____)

index = pc.Index('datacamp-index')

# Upsert vectors in batches of 200 vectors
with pc.Index('datacamp-index', ____) as index:
    async_results = [____(vectors=chunk, ____) for chunk in chunks(vectors, batch_size=____)]
    [async_result.get() for async_result in async_results]

# Retrieve statistics of the connected Pinecone index
print(____)
Upravit a spustit kód