У меня есть эта модель:
class Image(models.Model):
title = models.CharField(max_length=200)
image = models.ImageField(upload_to='img/')
signature = models.TextField(null = True)
Подпись представляет собой простой одномерный вектор, закодированный в json. Чтобы сделать мой запрос, я должен декодировать каждую сигнатуру объекта в nparray и сделать скалярное произведение между сигнатурой каждого объекта и заданным вектором, а затем аннотировать как поле с плавающей запятой (с именем «оценка») рядом с каждым необработанным. Наконец, я должен заказать от макс до мин.
Я пробовал это в view.py
def image_sorted(request):
query_signature = extract_feat(settings.MEDIA_ROOT + "/cache" + "/003_ant_image_0003.jpg") # a NParray object
image_list = Image.objects.annotate(score=np.dot(
JSONVectConverter.json_to_vect(F('signature')), query_signature.T
).astype(float)).order_by('score') #JSONVectConverter is a class of mine
return render(request, 'images/sorted.html', {'image_sorted': image_list})
конечно не работает. Я думаю, что оператор "F()" выходит за рамки...
Если вам интересно, я пишу веб-приложение для поиска изображений для своей университетской диссертации.
Спасибо.
РЕДАКТИРОВАТЬ: я нашел это, это совершенно та же проблема (вместо этого он использует postgres MySQL)
EDIT2: я только сейчас вспомнил, какое решение я принял последним! Сначала я извлекаю каждый вектор из БД и храню его в ОЗУ, затем делаю несколько простых вычислений, чтобы найти K-ближайших соседей. Затем я извлекаю из БД соответствующее изображение, используя его индекс (первичный ключ). Поэтому я отделяю эту задачу от Django ORM. Вот код (из Rest API)
def query_over_db(query_signature, page):
query_signature = np.array(query_signature)
t0 = time.time()
descriptor_matrix = cache.get('descriptor_matrix')
id_vector = cache.get('id_vector')
if not descriptor_matrix:
id_vector = []
descriptor_matrix = []
images_dict = Image.objects.all().values('id', 'signature')
for image in images_dict:
s = image['signature']
descriptor = np.array(s)
descriptor_matrix.append(descriptor)
id_vector.append(image['id'])
cache.set('id_vector', id_vector)
cache.set('descriptor_matrix', descriptor_matrix)
t1 = time.time()
print("time to pull out the descriptors : " + str(t1 - t0))
t1 = time.time()
#result = np.abs(np.dot(descriptor_matrix, query_signature.T))
#result = np.sum((descriptor_matrix - query_signature)**2, axis=1)
result = ne.evaluate('sum((descriptor_matrix - query_signature)**2, axis=1)')
t2 = time.time()
print("time to calculate similarity: " + str(t2 - t1))
perm = np.argsort(result)[(page - 1) * 30:page * 30]
print(perm.shape)
print(len(id_vector))
perm_id = np.array(id_vector)[perm]
print(len(perm_id))
print("printing sort")
print(np.sort(result)[0])
t4 = time.time()
print("time to order the result: " + str(t4 - t2))
qs = Image.objects.defer('signature').filter(id__in=perm_id.tolist())
qs_new = []
for i in range(len(perm_id)):
qs_new.append(qs.get(id=perm_id[i]))
t3 = time.time()
print("time to get the results from the DB : " + str(t3 - t2))
print("total time : " + str(t3 - t0))
print(result[perm])
return qs_new