Aller rapidement à Milvus

Ce chapitre présente comment démarrer rapidement avec les opérations de lecture et d'écriture de la base de données de vecteurs Milvus en utilisant Go.

Installation du SDK Go

Remarque : Le SDK Go nécessite la version 1.15 ou supérieure de Go.

go get -u github.com/milvus-io/milvus-sdk-go/v2

Importation des dépendances

import (
	"context"
	"fmt"
	"log"
	"math/rand"
	"time"

	"github.com/milvus-io/milvus-sdk-go/v2/client"
	"github.com/milvus-io/milvus-sdk-go/v2/entity"
)

Connexion à la base de données Milvus

	ctx := context.Background()

	log.Printf(msgFmt, "Connexion à Milvus")
	c, err := client.NewClient(ctx, client.Config{
		Address: "localhost:19530",
	})
	if err != nil {
		log.Fatal("Échec de la connexion à Milvus, err: ", err.Error())
	}
	defer c.Close()

Création d'une collection

Le processus de création d'une collection est similaire à la création d'une structure de table MySQL, où vous devez décrire le type de chaque champ.

   collectionName = "hello_tizi365"
	log.Printf(msgFmt, fmt.Sprintf("Création de la collection, `%s`", collectionName))
	
	// Définir les types de champ de la collection, en définissant ici les champs ID, random et embeddings
	schema := entity.NewSchema().WithName(collectionName).WithDescription("Description de la collection").
		WithField(entity.NewField().WithName("ID").WithDataType(entity.FieldTypeInt64).WithIsPrimaryKey(true).WithIsAutoID(false)).
		WithField(entity.NewField().WithName("random").WithDataType(entity.FieldTypeDouble)).
		WithField(entity.NewField().WithName("embeddings").WithDataType(entity.FieldTypeFloatVector).WithDim(dim))

	// Créer la collection en fonction des types de champ de collection définis
	if err := c.CreateCollection(ctx, schema, entity.DefaultShardNumber); err != nil {
		log.Fatalf("Échec de la création de la collection, err: %v", err)
	}

Insertion de données dans la collection

	idList, randomList := make([]int64, 0, nEntities), make([]float64, 0, nEntities)
	embeddingList := make([][]float32, 0, nEntities)

	rand.Seed(time.Now().UnixNano())

    // À des fins de test, générer certaines données de test aléatoires ici
	// Générer des IDs
	for i := 0; i < nEntities; i++ {
		idList = append(idList, int64(i))
	}
	// Générer des valeurs aléatoires
	for i := 0; i < nEntities; i++ {
		randomList = append(randomList, rand.Float64())
	}
	// Générer des valeurs de vecteur
	for i := 0; i < nEntities; i++ {
		vec := make([]float32, 0, dim)
		for j := 0; j < dim; j++ {
			vec = append(vec, rand.Float32())
		}
		embeddingList = append(embeddingList, vec)
	}
	// Insérer de multiples ensembles de données, organisés par colonne pour de multiples données
	idColData := entity.NewColumnInt64("ID", idList)
	randomColData := entity.NewColumnDouble("random", randomList)
	embeddingColData := entity.NewColumnFloatVector("embeddings", dim, embeddingList)

    // Insérer des données
	if _, err := c.Insert(ctx, collectionName, "", idColData, randomColData, embeddingColData); err != nil {
		log.Fatalf("Échec de l'écriture des données, err: %v", err)
	}
    
	// Vider les données sur le disque
	if err := c.Flush(ctx, collectionName, false); err != nil {
		log.Fatalf("Échec du vidage des données, err: %v", err)
	}

Création d'un index

	// Définir le type d'index
	idx, err := entity.NewIndexIvfFlat(entity.L2, 128)
	if err != nil {
		log.Fatalf("Échec de la définition de l'index, err: %v", err)
	}
	// Créer un index pour la collection spécifiée
	if err := c.CreateIndex(ctx, collectionName, embeddingCol, idx, false); err != nil {
		log.Fatalf("Échec de la création de l'index, err: %v", err)
	}

    // Charger la collection spécifiée en mémoire pour améliorer l'efficacité des requêtes
	err = c.LoadCollection(ctx, collectionName, false)
	if err != nil {
		log.Fatalf("Échec du chargement de la collection, err: %v", err)
	}

Recherche de similarité de vecteurs

   // Préparer les vecteurs à rechercher. Ici, nous extrayons une partie des données vectorielles générées précédemment pour les tests, et nous rechercherons des résultats similaires à ces vecteurs ci-dessous.
	vec2search := []entity.Vector{
		entity.FloatVector(embeddingList[len(embeddingList)-2]),
		entity.FloatVector(embeddingList[len(embeddingList)-1]),
	}
	begin := time.Now()
	sp, _ := entity.NewIndexIvfFlatSearchParam(16)
	// Effectuer une recherche de similarité de vecteurs
	sRet, err := c.Search(ctx, collectionName, nil, "", []string{"aléatoire"}, vec2search,
		"embeddings", entity.L2, topK, sp)
	end := time.Now()
	if err != nil {
		log.Fatalf("La recherche a échoué, err: %v", err)
	}

	log.Println("Imprimer les résultats:")
	for _, res := range sRet {
		printResult(&res)
	}

Définition de la fonction printResult

func printResult(sRet *client.SearchResult) {
	randoms := make([]float64, 0, sRet.ResultCount)
	scores := make([]float32, 0, sRet.ResultCount)

	var randCol *entity.ColumnDouble
	for _, field := range sRet.Fields {
		if field.Name() == randomCol {
			c, ok := field.(*entity.ColumnDouble)
			if ok {
				randCol = c
			}
		}
	}
	for i := 0; i < sRet.ResultCount; i++ {
		val, err := randCol.ValueByIdx(i)
		if err != nil {
			log.Fatal(err)
		}
		randoms = append(randoms, val)
		scores = append(scores, sRet.Scores[i])
	}
	log.Printf("\taléatoires: %v, scores: %v\n", randoms, scores)
}

Code source complet de démonstration, Code source de démarrage de Go Milvus