PyMilvus سريع البدء

يقدم هذا الفصل كيفية البدء السريع في تطوير Milvus باستخدام Python.

من خلال تشغيل الشيفرة المصدرية التجريبية التي نقدمها، ستكتسب فهمًا أوليًا لوظائف Milvus.

متطلبات الإصدار

Milvus 2.3.0
Python 3 (3.7.1 أو أعلى)
PyMilvus 2.3.x

تثبيت Milvus Python SDK

python3 -m pip install pymilvus==

تنزيل الشيفرة المصدرية التجريبية

استخدم الأمر التالي لتنزيل hello_milvus.py مباشرة أو استخدم الأمر التالي للتنزيل.

$ wget https://www.tizi365.com/storage/hello_milvus.py

شرح الشيفرة المصدرية التجريبية

تقوم الشيفرة المصدرية التجريبية بتنفيذ الخطوات التالية.

استيراد حزمة PyMilvus:

from pymilvus import (
    connections,
    utility,
    FieldSchema,
    CollectionSchema,
    DataType,
    Collection,
)

الاتصال بالخادم:

connections.connect("default", host="localhost", port="19530")

إنشاء مجموعة:

fields = [
    FieldSchema(name="pk", dtype=DataType.INT64, is_primary=True, auto_id=False),
    FieldSchema(name="random", dtype=DataType.DOUBLE),
    FieldSchema(name="embeddings", dtype=DataType.FLOAT_VECTOR, dim=8)
]
schema = CollectionSchema(fields, "hello_milvus هو أبسط مثال تجريبي، يُستخدم لتقديم واجهة برمجة التطبيقات")
hello_milvus = Collection("hello_milvus", schema)

إدراج النواقل في المجموعة:

import random
entities = [
    [i for i in range(3000)],  # حقل pk
    [float(random.randrange(-20, -10)) for _ in range(3000)],  # حقل random
    [[random.random() for _ in range(8)] for _ in range(3000)],  # حقل embeddings
]
insert_result = hello_milvus.insert(entities)
hello_milvus.flush()

إنشاء فهرس على الكيانات:

index = {
    "index_type": "IVF_FLAT",
    "metric_type": "L2",
    "params": {"nlist": 128},
}
hello_milvus.create_index("embeddings", index)

تحميل المجموعة في الذاكرة وإجراء بحث عن تشابه النواقل:

hello_milvus.load()
vectors_to_search = entities[-1][-2:]
search_params = {
    "metric_type": "L2",
    "params": {"nprobe": 10},
}
result = hello_milvus.search(vectors_to_search, "embeddings", search_params, limit=3, output_fields=["random"])

إجراء استعلامات عن النواقل:

result = hello_milvus.query(expr="random > -14", output_fields=["random", "embeddings"])

إجراء بحث مختلط:

result = hello_milvus.search(vectors_to_search, "embeddings", search_params, limit=3, expr="random > -12", output_fields=["random"])

حذف الكيانات بناءً على المفتاح الرئيسي:

expr = f"pk in [{entities[0][0]}, {entities[0][1]}]"
hello_milvus.delete(expr)

حذف المجموعة:

utility.drop_collection("hello_milvus")

تشغيل الشفرة المثالية

قم بتنفيذ الأمر التالي لتشغيل الشفرة المثالية.

$ python3 hello_milvus.py

يظهر أدناه النتائج المُرجعة وزمن الاستعلام:

=== الاتصال بـ Milvus ===

هل توجد مجموعة تسمى hello_milvus في Milvus: False

=== إنشاء مجموعة `hello_milvus` ===

=== إدراج الكيانات ===

عدد الكيانات في Milvus: 3000

=== إنشاء مؤشر IVF_FLAT ===

=== التحميل ===

=== البحث بناءً على تشابه الناقلة ===

المطابقة: (المسافة: 0.0، ID: 2998)، الحقل العشوائي: -11.0
المطابقة: (المسافة: 0.11455299705266953، ID: 1581)، الحقل العشوائي: -18.0
المطابقة: (المسافة: 0.1232629269361496، ID: 2647)، الحقل العشوائي: -13.0
المطابقة: (المسافة: 0.0، ID: 2999)، الحقل العشوائي: -11.0
المطابقة: (المسافة: 0.10560893267393112، ID: 2430)، الحقل العشوائي: -18.0
المطابقة: (المسافة: 0.13938161730766296، ID: 377)، الحقل العشوائي: -14.0
زمن البحث = 0.2796 ثانية

=== الاستعلام باستخدام `random > -14` ===

نتيجة الاستعلام:
-{'pk': 9، 'random': -13.0، 'embeddings': [0.298433، 0.931987، 0.949756، 0.598713، 0.290125، 0.094323، 0.064444، 0.306993]}
زمن البحث = 0.2970 ثانية

=== البحث المختلط باستخدام `random > -12` ===

المطابقة: (المسافة: 0.0، ID: 2998)، الحقل العشوائي: -11.0
المطابقة: (المسافة: 0.15773043036460876، ID: 472)، الحقل العشوائي: -11.0
المطابقة: (المسافة: 0.3273330628871918، ID: 2146)، الحقل العشوائي: -11.0
المطابقة: (المسافة: 0.0، ID: 2999)، الحقل العشوائي: -11.0
المطابقة: (المسافة: 0.15844076871871948، ID: 2218)، الحقل العشوائي: -11.0
المطابقة: (المسافة: 0.1622171700000763، ID: 1403)، الحقل العشوائي: -11.0
زمن البحث = 0.3028 ثانية

=== الحذف باستخدام التعبير `pk in [0, 1]` ===

الاستعلام قبل الحذف بناءً على التعبير `pk in [0, 1]` -> النتيجة:
-{'pk': 0، 'random': -18.0، 'embeddings': [0.142279، 0.414248، 0.378628، 0.971863، 0.535941، 0.107011، 0.207052، 0.98182]}
-{'pk': 1، 'random': -15.0، 'embeddings': [0.57512، 0.358512، 0.439131، 0.862369، 0.083284، 0.294493، 0.004961، 0.180082]}

الاستعلام بعد الحذف بناءً على التعبير `pk in [0, 1]` -> النتيجة: []

=== حذف المجموعة `hello_milvus` ===

متطلبات الإصدار

تثبيت Milvus Python SDK

تنزيل الشيفرة المصدرية التجريبية

شرح الشيفرة المصدرية التجريبية

تشغيل الشفرة المثالية

الدروس ذات الصلة