开源的向量数据库Milvus
Milvus是一款开源的向量数据库，专为处理处罚向量搜刮任务而设计，尤其善于处理处罚大规模向量数据的相似度检索。官网地点：https://milvus.io/
https://i-blog.csdnimg.cn/direct/be7355f2cabf4cc28173906784ae1bd3.png
以下是关于Milvus的详细介绍：
一、基本概念
[*]向量数据库：Milvus是一款云原生向量数据库，它支持多种类型的向量，如浮点向量、二进制向量等，并且可以处理处罚大规模的向量数据。向量在Milvus中作为基本数据单元，用于表现高维空间中的点，可以是图像、音频、文本等数据的特征表现。
[*]向量搜刮：Milvus通过盘算向量之间的距离来评估向量之间的相似度，支持高效的相似度搜刮和向量索引功能。常见的距离度量包罗欧氏距离和余弦相似度等。
二、体系架构与重要组件
Milvus的体系架构遵照数据流和控制流分离的原则，团体分为四个层次：
[*]接入层（Access Layer）：体系的门面，由一组无状态proxy组成，对外提供用户连接的endpoint，负责验证客户端请求并归并返回效果。
[*]和谐服务（Coordinator Service）：体系的大脑，负责分配任务给执行节点。和谐服务共有四种角色，分别为root coord、data coord、query coord和index coord。
[*]执行节点（Worker Node）：体系的四肢，负责完成和谐服务下发的指令和proxy发起的数据操作语言（DML）命令。执行节点分为三种角色，分别为data node、query node和index node。
[*]存储层（Storage）：体系的骨骼，负责Milvus数据的持久化，分为元数据存储（meta store）、消息存储（log broker）和对象存储（object storage）三个部门。
三、核心功能
[*]高效的向量搜刮：Milvus支持在亿级向量中进行毫秒级的搜刮，提供了快速的最近邻搜刮（Nearest Neighbor Search, NNS）功能。
[*]多种距离度量：支持多种距离度量方式，包罗欧几里得距离（L2）、余弦相似度等，以顺应不同的应用需求。
[*]可扩展性：Milvus设计为分布式体系，可以水平扩展以处理处罚大规模数据集。它支持在Kubernetes上部署，以获得最佳可用性和弹性。
[*]兼容性：Milvus支持与多种呆板学习框架集成，如TensorFlow、PyTorch和PaddlePaddle。
[*]易用性：提供了简朴易用的API，支持多种编程语言，如Python、Java和Go。
https://i-blog.csdnimg.cn/direct/14e97e307b89417388a29a89ff51a898.png
四、应用场景
Milvus因其高效的向量搜刮能力，广泛应用于以下场景：
[*]图像搜刮：通过比较图像特征向量的相似度来实现图像搜刮。
[*]保举体系：在保举体系中，Milvus可以用来检索与用户兴趣向量最相似的商品或内容。
[*]自然语言处理处罚：Milvus可以用来检索与查询文本最相关的文档或句子。
[*]音频处理处罚：音频特征向量用于辨认或分类音频片段。
五、上风与特点
[*]高性能：性能高超，可对海量数据集进行向量相似度检索。
[*]高可用、高可靠：支持在云上扩展，其容灾能力能够保证服务高可用。
[*]混淆查询：支持在向量相似度检索过程中进行标量字段过滤，实现混淆查询。
[*]开发者友爱：支持多语言、多工具的Milvus生态体系。
六、开发示例
使用Python联合Milvus实现相似性搜刮通常涉及几个关键步骤：安装Milvus和相应的Python客户端库、连接到Milvus服务器、创建集合（Collection）、插入向量数据、构建索引以及执行相似性搜刮。以下是一个基本的流程示例：
1. 安装Milvus和Python客户端
起首，确保你已经安装了Milvus服务器，并且它正在运行。然后，安装Milvus的Python客户端库pymilvus。
pip install pymilvus 2. 连接到Milvus服务器
使用pymilvus客户端连接到你的Milvus服务器。
from pymilvus import connections, Collection, FieldSchema, CollectionSchema, DataType
# 连接到Milvus服务器
connections.connect(host='localhost', port='19530') 3. 创建集合
在Milvus中创建一个新的集合，用于存储向量数据。
# 定义字段模式
dim = 128# 向量的维度
fields = [
FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=dim)
]
# 定义集合模式
schema = CollectionSchema(fields=fields, description="Test collection")
# 创建集合
collection = Collection("test_collection", schema=schema) 4. 插入向量数据
向集合中插入一些向量数据。
import numpy as np
# 生成一些随机向量数据
vectors =
# 插入数据
collection.insert([{"id": None, "embedding": vec.tolist()} for vec in vectors])
collection.flush()# 确保数据被写入存储 5. 构建索引
为了加快相似性搜刮，可以在向量字段上构建索引。
# 假设使用IVF_FLAT索引
index_params = {"nlist": 16384}
collection.create_index("embedding", "IVF_FLAT", index_params) 6. 执行相似性搜刮
现在，你可以使用一个查询向量来执行相似性搜刮。
# 定义一个查询向量
query_vec = np.random.random(dim).astype(np.float32)
# 执行搜索
top_k = 10# 返回最相似的10个结果
search_params = {"metric_type": "L2", "params": {"nprobe": 16}}
results = collection.search("embedding", , top_k, search_params)
# 打印结果
for result in results:
print(f"ID: {result.id}, Distance: {result.distance}") 7. 清算
完成操作后，可以删除集合或关闭与Milvus的连接。
# 删除集合
collection.drop()
# 关闭连接
connections.disconnect() 综上所述，Milvus作为一款开源的向量数据库，在处理处罚大规模向量搜刮任务中表现出色，广泛应用于图像、音频、文本和保举体系等范畴。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]