我建议您使用Principal Component Analysis（PCA）来减少源向量的维度。
您可以修改此代码（这里使用随机虚拟数据来说明）：

from sklearn.decomposition import PCA
import numpy as np

vectors_4096 = np.array([np.random.normal(size=4096) for x in range(5000)])
display(vectors_4096.shape)
>>> (5000, 4096)

# instantiate PCA 
# for n_components choose number of dims that you want to reduce to
pca = PCA(n_components=2000)

# fit PCA model and transform data:
vectors_pca = pca.fit_transform(vectors_4096)
display(vectors_pca.shape)
>>> (5000, 2000)

请注意，您必须在语料库上拟合PCA模型一次，然后仅将拟合模型的transform()函数用于新的、未见过的数据（例如，数据）。一些新的嵌入，您可能希望将其摄取到PostgreSQL数据库中）。只有这样，您才能确保新数据的数据转换等于转换后的现有数据。