Softmax通过两步将分数转化为概率分布：首先取指数以确保分数为正，然后进行归一化以得到权重。转置操作QKᵀ确保查询和键的相似度计算顺利进行。

该案例利用AI视觉服务进行人脸比对。用户上传两张图片，系统分析其特征并计算相似度。实现步骤包括模块导入、图片选择、处理逻辑和结果展示，同时需获取相册权限，返回相似度和特征点数据。

在版本0.2的messy-folder-reorganizer-ai中，使用Qdrant向量数据库进行相似向量搜索。余弦相似度因其关注方向而非大小，适合高维嵌入，有效比较文件和文件夹名称的相似性。

该应用基于DeepFace，支持多线程处理，快速计算目标图像与源图像的相似度。用户需安装CUDA和cuDNN以利用GPU。处理后，目标图像将按相似度重命名，便于排序和选择最佳图像。

维护高质量图像库对用户设计体验至关重要。为替换过期的第三方媒体内容，开发了一种基于图像相似度的搜索系统，利用DINOv2模型进行高效的相似图像检索。尽管在文本和符号图像上表现较弱，但整体效果显著，帮助设计师加快工作流程。未来将改进对文本和符号的识别能力。

本文介绍了向量搜索和大型语言模型（LLMs）的概念和应用。向量搜索是一种基于相似度的搜索方法，通过将数据转化为向量并计算它们之间的距离来实现。LLMs是一种人工智能技术，通过嵌入模型将文本转化为向量，从而实现自然语言处理任务。

本文介绍了使用embedding计算语料和提问的相似度，并在prompt中补充准确的上下文语料来获取更准确的回答。OpenAI提供了Completion API来实现问答功能，但用户不能修改模型，只能使用fine-tune生成自己的模型。为了让GPT-3根据自己的语料生成正确的答案，可以使用embedding接口计算相似度，并结合fine-tune训练输入输出，以提高问答质量。综上所述，使用embedding计算相似度并补充准确的上下文可以获得更准确的回答。

本文探讨了如何在没有标记数据的情况下使用度量学习训练对象匹配模型。度量学习通过学习对象间的相似度，克服了分类模型的局限性。文章介绍了基于交互和基于表示的两种主要度量学习方法，并强调了其在招聘匹配中的应用。通过使用相似和不相似的样本，度量学习能够灵活处理新类别，提升模型性能。最后，讨论了在生产中管理向量和实现搜索的方法。

MaxSim（最大相似度）是晚期交互模型的核心距离度量，用于计算查询与文档之间的相似性。它通过选择查询中每个令牌与文档中最相关令牌的最大相似度，实现细粒度的语义匹配。尽管MaxSim提高了语义精度，但也带来了计算挑战，尤其对传统索引方法的影响。

ColPali模型通过多向量架构实现视觉可解释性，允许用户查看模型在匹配查询时关注的具体区域。这种可解释性有助于建立信任、调试结果并理解模型行为。模型将图像分为32×32的补丁，计算查询与文档补丁的相似度，并生成热图以可视化匹配区域，从而增强对搜索结果的理解和调试能力。