向量数据库之Lancedb学习记载
简介Lancedb是一个用于人工智能的开源矢量数据库，旨在存储、管理、查询和检索大规模多模式数据的嵌入。Lancedb的核心是用Rust编写的，并构建在Lance之上，专为高性能 ML 工作负载和快速随机访问而设计。
快速开始
安装
pip install lancedb
现在0.6.8必要pyarrow-12.0.0及以上，亲测15.0会报错。
创建客户端
import lancedb
import pandas as pd
import pyarrow as pa
uri = "data/sample-lancedb"
db = lancedb.connect(uri)
# 异步客户端
#async_db = await lancedb.connect_async(uri)
与Chroma不同，lancedb没有服务端-客户端模式。支持同步和异步客户端，看起来异步客户端更新较快，从官方文档来看没发现使用上的区别。
创建一张表
data = [
{"vector": , "item": "foo", "price": 10.0},
{"vector": , "item": "bar", "price": 20.0},
]
tbl = db.create_table("my_table", data=data)
假如表名已经存在，则会报错。假如盼望覆盖已经创建的同名表，可以添加mode='overwrite’参数。
tbl = db.create_table("my_table", data=data, mode='overwrite')
假如不盼望覆盖已经创建的同名表，而直接打开的话，可以添加exist_ok=True参数。
tbl = db.create_table("my_table", data=data, exist_ok=True)
创建一张空表
schema = pa.schema()
tbl = db.create_table("empty_table", schema=schema)
类似SQL语法，先创建一张空表，插入数据可以放到反面举行。
添加数据
# 直接添加数据
data = [
{"vector": , "item": "fizz", "price": 100.0},
{"vector": , "item": "buzz", "price": 200.0},
]
tbl.add(data)
# 添加df数据帧
df = pd.DataFrame(data)
tbl.add(data)
查找数据
# Synchronous client
tbl.search().limit(2).to_pandas()
通过向量来查找相似的向量。默认情况下没有对向量创建索引，因此是全表暴力检索。官方保举数据量凌驾50万以上才必要创建索引，否则全表暴力检索的延迟也在可以接受的范围之内。（明显就是没实现，还说的冠冕堂皇。。）
删除数据
tbl.delete('item = "fizz"')
类似SQL语法中的WHERE声明，必要指定字段和对应的值。
修改数据
table.update(where='item = "fizz"', values={"vector": })
类似SQL语法中的UPDATE声明，必要指定字段和对应的值。
删除表
db.drop_table("my_table")
查看全部表
print(db.table_names())
tbl = db.open_table("my_table")
table_names可以返回该数据库中已经创建的全部表，使用open_table可以打开对应的表。
高级用法
数据范例
多种数据范例
除了直接添加数据和添加df数据帧之外，lancedb还支持用pyarrow创建schema和添加数据。
import pyarrow as pa
schema = pa.schema(
[
pa.field("vector", pa.list_(pa.float16(), 2)),
pa.field("text", pa.string())
]
)
lancedb直接float16数据范例，这就比chromadb有存储上风了。
自定义数据范例
from lancedb.pydantic import Vector, LanceModel
class Content(LanceModel):
movie_id: int
vector: Vector(128)
genres: str
title: str
imdb_id: int
@property
def imdb_url(self) -> str:
return f"https://www.imdb.com/title/tt{self.imdb_id}"
LanceModel是pydantic.BaseModel的子类，重要就是实现了Vector数据范例的定义，避免手动创建schema中vector的定义，只必要指定维度即可。
复合数据范例
class Document(BaseModel):
content: str
source: str
class NestedSchema(LanceModel):
id: str
vector: Vector(1536)
document: Document
tbl = db.create_table("nested_table", schema=NestedSchema, mode="overwrite")
索引
创建IVF_PQ索引
tbl.create_index(num_partitions=256, num_sub_vectors=96)
lancedb支持创建倒排索引的乘积量化。num_partitions是索引中的分区数，默认值是行数的平方根。num_sub_vectors是子向量的数量，默认值是向量的维度除以16。
使用GPU创建
accelerator="cuda"
# accelerator="mps"
支持CUDA的GPU大概Apple的MPS加速
使用索引加速近似查找
tbl.search(np.random.random((1536))) \
.limit(2) \
.nprobes(20) \
.refine_factor(10) \
.to_pandas()
nprobes是探针数量，默认为20，增长探针数量则会进步查找的精度并相应增长计算耗时。refine_factor是一个粗召的数量，用于读取额外元素并重新排列，以此来进步召回。
向量化模子
内置向量模子
import lancedb
from lancedb.pydantic import LanceModel, Vector
from lancedb.embeddings import get_registry
model = get_registry().get("sentence-transformers").create(name="BAAI/bge-small-en-v1.5", device="cpu")
class Words(LanceModel):
text: str = model.SourceField() # 指定这个字段为需要模型进行向量化的字段
vector: Vector(model.ndims()) = model.VectorField() # 指定这个字段为模型向量化的结果
table = db.create_table("words", schema=Words)
table.add(
[
{"text": "hello world"},
{"text": "goodbye world"}
]
)
query = "greetings"
actual = table.search(query).limit(1).to_pydantic(Words)
print(actual.text)
官方支持了多种sentence-transformers的向量化模子。用上述方法调用内置模子必要指定模子的SourceField和VectorField。
自定义向量模子
from lancedb.embeddings import register
from lancedb.util import attempt_import_or_raise
@register("sentence-transformers")
class SentenceTransformerEmbeddings(TextEmbeddingFunction):
name: str = "all-MiniLM-L6-v2"
# set more default instance vars like device, etc.
def __init__(self, **kwargs):
super().__init__(**kwargs)
self._ndims = None
def generate_embeddings(self, texts):
return self._embedding_model().encode(list(texts), ...).tolist()
def ndims(self):
if self._ndims is None:
self._ndims = len(self.generate_embeddings("foo"))
return self._ndims
@cached(cache={})
def _embedding_model(self):
return sentence_transformers.SentenceTransformer(name)
from lancedb.pydantic import LanceModel, Vector
registry = EmbeddingFunctionRegistry.get_instance()
stransformer = registry.get("sentence-transformers").create()
class TextModelSchema(LanceModel):
vector: Vector(stransformer.ndims) = stransformer.VectorField()
text: str = stransformer.SourceField()
tbl = db.create_table("table", schema=TextModelSchema)
tbl.add(pd.DataFrame({"text": ["halo", "world"]}))
result = tbl.search("world").limit(5)
官方提供了模板用于自定义模子，但是我觉得直接调用模子举行向量化表现更直接吧，如许感觉有点寻求格式化的同一了。
总结
与Chromadb对比，没有服务端模式，全部在客户端完成，固然官方声称有云原生的版本，但感觉大部分场景下可能都不必要放在云上，感觉这一款产物会更加轻量化。
此外，创建表的时候没有默认的向量化模子，感觉对开发者可能更加灵活一些，相比之下Chromadb默认会从HuggingFace下载模子，对于内网环境不太友好。
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]