Upload 2 files

app.py

@@ -0,0 +1,56 @@
+from sentence_transformers import SentenceTransformer
+import gradio as gr
+import numpy as np
+
+# 加载模型（首次运行会自动下载，约 500MB）
+model = SentenceTransformer('BAAI/bge-small-en-v1.5')
+
+def get_embedding(text: str) -> list:
+    """生成文本嵌入向量"""
+    if not text.strip():
+        return "请输入非空文本"
+    # 生成嵌入（返回 numpy 数组）
+    embedding = model.encode(text, normalize_embeddings=True)
+    # 转换为列表返回（方便 API 传输）
+    return embedding.tolist()
+
+def similarity_score(text1: str, text2: str) -> float:
+    """计算两个文本的余弦相似度"""
+    if not text1.strip() or not text2.strip():
+        return 0.0
+    emb1 = model.encode(text1, normalize_embeddings=True)
+    emb2 = model.encode(text2, normalize_embeddings=True)
+    # 余弦相似度 = 向量点积（已归一化）
+    return float(np.dot(emb1, emb2))
+
+# 创建 Gradio 界面
+with gr.Blocks(title="开源文本嵌入 API") as demo:
+    gr.Markdown("# 文本嵌入服务（基于 BAAI/bge-small-en-v1.5）")
+    
+    with gr.Tab("生成嵌入向量"):
+        input_text = gr.Textbox(label="输入文本", placeholder="请输入需要生成嵌入的文本...")
+        embedding_output = gr.Textbox(label="嵌入向量（前10位）")
+        generate_btn = gr.Button("生成嵌入")
+        generate_btn.click(
+            fn=lambda x: str(get_embedding(x)[:10]) + "...",  # 只显示前10位
+            inputs=input_text,
+            outputs=embedding_output
+        )
+    
+    with gr.Tab("计算语义相似度"):
+        text1 = gr.Textbox(label="文本1", placeholder="输入第一个文本...")
+        text2 = gr.Textbox(label="文本2", placeholder="输入第二个文本...")
+        similarity_output = gr.Number(label="余弦相似度（0~1，越高越相似）")
+        similarity_btn = gr.Button("计算相似度")
+        similarity_btn.click(
+            fn=similarity_score,
+            inputs=[text1, text2],
+            outputs=similarity_output
+        )
+    
+    # 启用队列，支持并发请求
+    demo.queue()
+
+if __name__ == "__main__":
+    # 部署到 Hugging Face Spaces 时，不需要指定 server_name 和 server_port
+    demo.launch()

requirements.txt

@@ -0,0 +1,4 @@
+gradio==4.28.3
+sentence-transformers==2.7.0
+torch==2.2.2
+numpy==1.26.4