Hub 是 Jina 全家桶中非常重要的一个成员，本期推文我们将详细介绍 Hub 的相关内容。
在过往推文中，我们介绍过：
* 为文本和图像创建 SOTA 表征向量的 CLIP-as-service
今天，我们将为大家介绍 Jina 全家桶中，另一个重要成员--Jina Hub。
Hub：A Marketplace for Executors
我们知道，Document、Executor 和 Flow 是 Jina 中的三个重要概念。
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。
在 Flow 中调用 Executor 十分简单：
from jina import Flow
f = Flow().add(uses='jinahub+docker://MyExecutor')
with f:
...Jina Hub 就是一个 Executer 分享平台，开发者可以在 Jina Hub，方便地与团队成员或社区伙伴，分享自己的 Executer。
访问 Jina Hub，请点击：hub.jina.ai
Jina Hub 目前已有 224 个 Executor
用户可从 Data Types, Libraries, Keywords
三个维度进行筛选
通过 Hub，开发者可以直接调用先前创建的 Executor，或将自己创建的 Executor 分享给社区或团队。这会极大降低创建神经搜索系统的难度和复杂度。
开发者 A 的 Executor 公开发布在 Jina Hub 后
可以被开发者 B, C, D 使用
更多关于 Jina Hub 和 Executor 的相关文档，请访问：
https://docs.jina.ai/fundamentals/executor/hub/
本周工程师最推荐的 Executor
推荐一：CLIPTextEncoder
CLIPTextEncoder 是一个文本编码器，它使用 Hugging Face Transformer 的 CLIP 模型，封装了文本向量功能。
它将存储在 text 属性中的 Document （文本）作为输入，并将输出的结果向量存储在 embedding 属性中。
CLIP 模型可以把图像和文本，嵌入到相同的潜在特征空间 (latent space)。对应的图像编码器是推荐二的 CLIPImageEncoder，在多模态或跨模态搜索应用中，这两个 Executor 都表现很好。
代码详情可访问：
https://hub.jina.ai/executor/livtkbkg
推荐二：CLIPImageEncoder
CLIPImageEncoder 是一个图像编码器，它使用 Hugging Face Transformer 的 CLIP 模型，封装了图像向量功能。
因为 CLIPImageEncoder 可以把文本和图像嵌入到同一个潜在特征空间 (latent space)，所以它可以和推荐一的 CLIPTextEncoder 一起使用。
代码详情可访问：
https://hub.jina.ai/executor/0hnlmu3q
推荐三：TransformerTorchEncoder
TransformerTorchEncoder 封装了 Hugging Face Transformer 的 Torch-version，可以把文本数据编码为密集向量 (dense vector)。
TransformerTorchEncoder 接收带有 text 属性的 Document 。text属性代表要被编码的文本。该 Executor 可以把所有 text 编码成密集向量，并将其存储在 Document 的 embedding 属性中。
代码详情可访问：
https://hub.jina.ai/executor/u9pqs8eb
推荐四：HNSW + PostgreSQL Indexer
HNSWPostgreSQLIndexer 是一个为 Jina 神经搜索框架，量身打造的索引器 (Indexer)，兼具生产就绪和高扩展特性。
它结合了 PostgreSQL 的可靠性，以及 HNSWlib 最近邻库的速度和效率。
因此，它可以提供数据库系统所需的任何 CRUD 操作，同时也支持迅速和可靠的向量查询。
代码详情可访问：
https://hub.jina.ai/executor/dvp0845a
创建并发布 Executor
在 Jina Hub 中，开发者可以创建并发布自己的 Executor，同时还支持在本地或远程使用 Executor。
创建 Executor 只需运行：
jina hub new
更多详情可访问：
https://docs.jina.ai/fundamentals/executor/hub/create-hub-executor/
发布 Executor 到 Jina Hub，开发者可选择公开范围：
* Public：默认选项，任何人都可使用
* Private：仅拥有 secret 的用户可以使用
首次发布：
jina hub push [--public/--private] <path_to_executor_folder>
更多详情可访问：
https://docs.jina.ai/fundamentals/executor/hub/push-executor/
本地使用 Executor：
在项目中使用 Hub Executors 的三种方法：
* Use as-is
* Use in a Flow: via Docker
* Use in a Flow: via source code
更多详情可访问：
https://docs.jina.ai/fundamentals/executor/hub/use-hub-executor/
远程使用 Executor：
Jina Sandbox 支持云端下载和运行，它通过一个主机和端口来进行连接，Jina 可以自动处理这个连接。
Jina Sandbox 极大降低了试用 Executor 的时间成本，同时，还可以为本地机器节省大量计算资源。
使用 Sandbox 和不使用 Sandbox 的流程对比
更多详情可访问：
https://docs.jina.ai/how-to/sandbox/
以上就是本期关于 Jina Hub 的全部内容，更多代码详情、使用方法、依赖环境等信息，请点击文末阅读原文，或访问 hub.jina.ai/ 获取。
神经搜索、深度学习、推荐系统
教程、Demo、干货分享
扫码备注加入讨论组
更多精彩内容（点击图片阅读）
