分享回顾 | 一文读懂神经搜索、Jina 及 Finetuner
文章导读
本文为 Jina AI Co-founder & CTO 王楠，在 2021 年 12 月 24 日 Python Meetup Beijing 的分享实录，内附 Demo 及 PPT 地址。
阅读本文，你将对神经搜索 (Neural Search)、Jina 及 Finetuner，有较为全面的了解。
本文内容概览
神经搜索：用非结构化数据搜索非结构化数据
结构化数据，以常用的数据库为代表，其所有信息都是定义好的，可以直接进行快速搜索。
与结构化数据相对应的，即非结构化数据，这类数据没有直接可供搜索的结构化信息。
常见的非结构化数据包括 PDF 文档、视频、音乐等
据 MongoDB 统计，我们身边 80%~90% 的数据，都属于非结构化数据，所以，非结构化数据的搜索，是一个非常重要的问题。
Reference：https://www.mongodb.com/unstructured-data
非结构化数据本身包含丰富的信息，但这些信息必须借助工具抽取和加工。得益于深度学习及人工智能技术的迅猛发展，过去十几年间，产生了很多可以用于抽取非结构化数据信息的深度学习模型。
一方面，各种分类模型可以精确地给视频、照片等非结构化数据打标签；另一方面，还可以利用深度学习模型，把非结构化的数据表示为向量。
利用深度学习模型处理非结构化数据的两种思路
在向量空间中，相似数据会聚合在一起，不同数据则会分散在空间的不同位置。根据用户查询的数据，在向量空间中寻找近邻，就可以实现非结构化数据的搜索。
神经搜索特指使用非结构化数据搜索非结构化数据，深度学习模型和向量索引是神经搜索的重要组成部分。
神经搜索系统包括两个关键要素
深度学习模型及向量索引
这两点也是神经搜索系统和传统搜索系统的区别。
神经搜索系统的应用，包括以图搜图、以文字搜图、Question-Answering（问答机器人）、照片去重、海量标签分类等。
神经搜索系统的应用场景
由于神经搜索是一个全新的领域，缺少系统搭建的统一工具，开发者通常需要同时了解包括分布式系统、深度学习框架以及网络服务方面的知识，为此我们设计了 Jina。
Jina：简单易用的云原生神经搜索框架
Jina 是一款主打易用性及云原生的神经搜索框架，于 2020 年 4 月在 GitHub 开源，截至目前已收获 13.1k Star（最新数据）。
Jina 多次登上了 GitHub 全球 Trending 排行榜第一名，最近还被收录进了 2021 年度全球最受欢迎的 10 个 Python 库榜单，目前已有 200 多名贡献者。
访问 Jina GitHub：github.com/jina-ai/jina
访问 Python 库榜单：
tryolabs.com/blog/2021/12/21/top-python-libraries-2021
Jina 中包括三个重要概念：Document、Executor 和 Flow。
Document：封装非结构化数据
Executor：实现神经搜索系统所需要的不同模块
Flow：将 Executor 连接起来
Document 是 Jina 中一个基础的数据类型，可以帮助开发者方便地描述非结构化数据，相当于 Numpy 中的 ndarray 或 PyTorch 中的 Tensor。一组 Document 构成一个 DocumentArray，开发者可以像使用 Python 原生的 list 一样使用 DocumentArray。
Executor 对应神经搜索系统中的不同模块，实现对数据处理的核心功能。Flow 则对应整套神经搜索系统，将多个 Executor 连接起来，构建成一套完整的搜索系统。
Jina 不仅可以方便地在本地调试，也可以快速的以服务形式进行部署。Jina 原生提供 Swagger-UI，方便代码调试。
Jina 中的 Debug 工具操作便捷
可直接可视化所有请求和结果
此外，将 Jina 部署到 Kubernetes 系统中也非常简单，仅用几行代码，就可以完成部署。
开发者如果自己设计神经搜索系统，往往需要自行维护一套工具链，包括构建模型预测服务、维护向量索引等，Jina 通过将整个流程封装成一个完整系统，提供统一的接口，极大降低了神经搜索系统的开发成本。
Finetuner：一行代码解决模型调优
用 Jina 从零搭建一套神经搜索系统，约需要 1~2 天，但是对模型进行调优，往往需要 1-2 周甚至更长时间。
用 Jina 搭建一套神经搜索系统
约有 87.5% 的时间用于调优
为了帮助开发者更快、更简洁地调试神经搜索系统，我们设计了 Finetuner。
用 Finetuner 对模型进行调优，共包括三个步骤：
1、载入数据
2、载入模型（下图示例中使用的是 PyTorch resnet50 模型）
3、将模型和数据传给 Finetuner 的 fit() 函数，Finetuner 就可以自动对模型进行微调
Finetuner：一行代码搞定调优过程
Finetuner 主要包含三个模块，分别与炼丹师们训练模型的三个步骤一一对应：Labeler 对应数据准备，Tailer 对应模型搭建，Tuner 对应模型训练。
Finetuner 支持 PaddlePaddle
PyTorch 及 Keras 三个框架
Labeler
Labeler 在实际中使用较少
Labeler 主要包含两部分：前端页面 (UI) 和存储 (Data Storage)。
Tailer
Tailer 的主要任务是准备模型
因为我们接触到的大部分模型，并不是为搜索场景设计的，无法把非结构化数据，直接转换成向量表示，所以我们需要使用 Tailer。
Tailer 的输入是一个任意模型，输出是一个新模型，这个新的模型可以计算非结构化数据的向量表示。
除此之外，Tailer 模块中还提供一些实用功能，如开发者可以指定冻结模型中的某些层。此外 Tailer 还提供可视化网络结构的 display 函数。
Tuner
Tuner 对应模型训练的步骤
Tuner 的核心包括四个部分：dataset、sampler、miner、loss。
loss：实现了搜索场景下，常用的两个损失函数 Triple loss 和 Siamese loss。
dateset 和 sampler 则主要是针对搜索场景，生成模型训练需要的数据样本。
dataset 对数据进行统一封装，sampler 会在统一数据结构的基础上，对数据进行各种操作，生产出训练模型时需要的三元组或二元组。
今天我们主要介绍了 Jina 和 Finetuner。在 Jina 生态中，Jina 解决开发者搭建神经搜索系统的问题，Finetuner 解决搭建过程中模型微调的问题。另一个我们没有介绍的重要成员是 Jina Hub。
Jina Hub 是一个 Executer 的分享平台，开发者可以方便地在 Jina Hub 上，和团队或社区分享自己的 Executer。
访问 Jina Hub，请点击：hub.jina.ai
答现场问：开发者们问 Jina
1、Jina 是否考虑围绕具体场景，进行产品化？
Jina 本身是一个工具，而不是一个产品，我们希望赋能开发者，由开发者根据实际场景进行产品化。
每个开发者都有自己熟悉的产品和业务，具备专业领域的知识，这些东西并不是通用的知识，也很难迁移到别的地方。
我们希望开发者能通过 Jina 或 Finetuner，搭建定制化搜索系统，从而构建针对具体场景的产品。
2、用 Jina 搭建的神经搜索系统，能否兼容通用搜索倒排索引的搜索？
是的，传统搜索完全可以和 Jina 融合。
以 DocQA 为例，第一步是拉取候选，通过向量索引把所有相似段落找出来。第二步是用计算量更大的深度学习模型，从段落里把需要的答案找出来。
在第一步做召回时，可以用基于向量索引的方法，也可以基于传统的 TF-IDF 或 bm25。因此在 Jina 里使用传统倒排索引做召回，是完全可以的。
3、用 Jina 搭建一套神经搜索系统，需要多少计算资源？
用 Jina 搭建神经搜索系统需要的资源，完全取决于业务需求，如数据量、稳定性要求、要求的响应时间等。
单一数据类型，如果数据量在百万以内，CPU 完全应付得了；如果数据量比较大，比如要搜索上亿个视频，且要求毫秒级别的反馈，那就必须要用 GPU。
4、利用 Jina 能否搜索 PDF 中的具体内容？
可以的，我们已经有企业客户利用 Jina，搭建公司内部资源的搜索系统，其中就包括 PDF 搜索。客户可以实现通过文字直接搜索相关语义内容，或通过文字匹配 PDF 中的图片。
2022 Python Meetup，重磅来袭
2022 年，Python Meetup 将在上海、杭州、长沙等地召开，Jina 也将为各地开发者带来最新的神经搜索技术分享，以及最炫酷的周边礼品。
欢迎关注本公众号，了解最新线下活动进展~
本次活动的相关链接：
主要的 Jina 仓库：get.jina.ai
Finetuner 官网：finetuner.jina.ai
本次分享的 Demo：hub.jina.ai
参与社区贡献：github.com/jina-ai/
本次分享 PPT：
pan.baidu.com/s/158LuQXRmD91K7NuoSZtj3g?pwd=3mky
加入 Jina AI
Jina AI 刚刚完成了 3000 万美金 A 轮融资，我们希望利用这笔资金，吸引更多相信开源力量、相信神经搜索美好未来的小伙伴加入，共同为全球开源社区做贡献。
了解岗位详情，请点击阅读原文，或访问：
https://jina.ai/careers/
投递简历，请发邮件至：
siying.zhao@jina.ai
下一代开源神经搜索引擎
在 GitHub 找到我们
更多精彩内容（点击图片阅读）