Update README.md

README.md

@@ -37,5 +37,63 @@ tags:
 由于本数据集采用了极低内存占用的 `.mmap` 格式存储，请**不要**使用 `datasets.load_dataset`，而是使用 `huggingface_hub` 下载后通过 `numpy` 映射到内存。
 
 ### 1. 安装依赖
+
 ```bash
-pip install huggingface_hub numpy
+pip install huggingface_hub numpy
+```
+
+### 2. 下载并加载数据的 Python 示例
+
+以下代码展示了如何高速拉取数据，并读取其中一个 shard 的内容：
+
+```python
+import os
+import json
+import numpy as np
+from huggingface_hub import snapshot_download
+
+# 1. 开启高速下载模式 (推荐)
+os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "1"
+
+# 如果在国内服务器，请取消下面这行的注释
+# os.environ["HF_ENDPOINT"] = "[https://hf-mirror.com](https://hf-mirror.com)"
+
+# 2. 将整个数据集缓存到本地
+repo_id = "TMSDMAP/patent_dataset" # 替换为你的真实仓库名
+print("正在下载数据集...")
+local_dir = snapshot_download(repo_id=repo_id, repo_type="dataset")
+
+# 3. 选取你要读取的 shard (例如 shard_3)
+shard_dir = os.path.join(local_dir, "shard_3")
+
+# 4. 从 meta.json 动态读取 shape
+with open(os.path.join(shard_dir, "meta.json"), "r") as f:
+    meta = json.load(f)
+    # 请根据你实际的 meta.json 键值名修改这里的 "num_rows" 和 "dim"
+    num_rows = meta.get("num_rows", 0) 
+    dim = meta.get("dim", 4096) 
+
+# 5. 使用 numpy memmap 加载 (极快，且不占内存)
+embeddings = np.memmap(
+    os.path.join(shard_dir, "embeddings.float16.mmap"), 
+    dtype='float16', 
+    mode='r', 
+    shape=(num_rows, dim)
+)
+
+ids = np.memmap(
+    os.path.join(shard_dir, "ids.int64.mmap"), 
+    dtype='int64', 
+    mode='r', 
+    shape=(num_rows,)
+)
+
+print(f"成功加载 Shard_3, 包含 {num_rows} 条数据。")
+print(f"第一条数据的向量维度前 5 项: {embeddings[0][:5]}")
+```
+
+## ⚙️ 硬件与计算信息 (Compute Information)
+
+* **计算集群**: [1x Ubuntu Server]
+* **GPU**: 4x [Nvidia A800]
+* **并行框架**: [None]