顺滑编程（一行代码解决多模态搜索问题）顺滑编程：一行代码解决多模

?
一提到神经搜索 (Neural Search) ，有些朋友难免会发怵，自己没有丰富的 AI 开发以及工程经验，能玩得转吗？
别慌，今天我们将为大家介绍一个新产品--Jina NOW：只需一行代码即可创建和部署神经搜索解决方案。
观看视频，Jina AI 首席工程师 Florian Hoenicke，5 分钟带你了解并实操 Jina NOW：
https://www.bilibili.com/vide...
?Jina NOW：一行代码解决多模态搜索问题如果你是第一次接触 Jina，对 Jina 全家桶还没有充分的了解，那么 Jina NOW 绝对算得上最佳入门产品。
你可以将其理解为神经搜索即服务 (neural search-as-service)，借助 Jina 预置的功能，开发者只需一行代码，就可以创建和部署神经搜索解决方案。
Jina Now 具有以下特点：
【顺滑编程（一行代码解决多模态搜索问题）】 便于使用：没有强大的工程能力和技术背景，也可以快速上手。
运行迅速：几分钟内即可使用自定义数据创建 demo。
结果调优: 对于已标注的 Document，Jina NOW 提供开箱即用的结果微调深度学习模型
快速迭代：支持快速构建原型，实时验证想法。
稳定可靠：复杂搜索解决方案的部署和维护，将由 Jina 后端基础设施提供支持。
2 步打开神经搜索的大门 Jina NOW 的使用方法简单，轻量化操作只需 2 步，即可完成一个神经搜索系统的创建：
1、安装 Jina NOW

pip install jina-now

注意：请使用 Python 3.7+；截至目前 Jina NOW 仅支持文本及图片两种数据类型，后续版本中将不断丰富支持的数据类型。
2、启动 Jina NOW
安装完成后，在终端输入以下代码进行启动：

jina-now start

出现以下文字说明时：

文章图片
?
?用户可以选择使用预置数据或自定义数据，快速创建一个搜索解决方案。
加载自定义数据并上传至 Jina NOW，可以通过以下方式：

DocArray pull id
DocArray URL
本地挂载路径

文章图片
?
?添加数据后，你可以选择图片画质以及部署设置（本地或云端部署）。
选择完成后，Flow 将启动，15-20 分钟后出现一个弹窗页面，如下图所示：

文章图片
?
Jina NOW 前端界面
如此轻松地，一个用 Jina NOW 创建的神经搜索系统，就顺利完成啦！
从理论到实践：创建 Emoji 搜索系统 Emojipedia 是一个 Emoji 参考网站，截至 2021 年 9 月，其网站上的 Emoji 数量已经高达 3,633 款。

文章图片
?
尽管数量众多，Emojipedia 网站的搜索方式，却还在使用最原始的关键字搜索。
这种搜索方法有时候并不准确，搜索系统常常因为用词、拼写或上下文等原因，无法准确识别用户意图，这使得用户体验非常不好。

文章图片
?
用户搜索「annoyed」系统显示查无结果
?接下来，我们将尝试用 Jina NOW 创建基于语义搜索的解决方案，进而解决这个问题。
1、安装 Jina NOW
2、查找并加载数据集
本示例中，我们使用的是 Kaggle 上的 Emoji Image Dataset
3、按照上述步骤，启动 Jina NOW。
收到消息弹窗后，选择自定义，按照提示加载数据、选择图像质量并设置部署。
完成后，继续嵌入向量和索引图像数据，该过程大约持续 15-20 分钟。最后用 Streamlit 生成一个预加载的前端交互页面。
结果如下：

文章图片
?
Jina NOW 利用语义搜索创建的 Emoji 搜索系统，可以更高效准确地搜索到匹配的 Emoji
以上就是本期教程的全部内容！什么？太简单了？这正是 Jina NOW 的最大优势：任何人都可以非常轻易地上手实现！
心动不如行动，最低成本的 Jina「体验装」，记得来社区分享你的 use case 哦！
开发者们问 Jina Q1：开发过程出现报错或 Bug，如何解决
A：访问 GitHub Repo 在对应的产品下提交 Issue 或 PR
Q2：如何加入社区、参与讨论？
A：我们目前支持 Slack 社区以及微信公众号社群：
Slack：英文社区，与来自全球的 Jina 用户探讨最新的应用场景及技术发展趋势。
微信群：中文社区，结识更多国内同行，探索 Jina 本土化应用场景，私信进群。
Q3：如何获取社区支持，宣发个人项目？
A：私信我们，我们将依据项目情况及开发者需求，帮助开发者在社区提高个人影响力。
Q4：新手如何入门 Jina 全家桶？
A：从这些资料开始，了解 Jina 生态、，开启你的神经搜索之旅：
Learning Portal（英文）：从入门到精进，3 个等级的学习资料及课后测验，助力你成为神经搜索高手。
微信公众号（中文）：访问「往期教程」，查看最佳实践。