Bab ini memperkenalkan cara cepat memulai pengembangan Milvus menggunakan Python.

Dengan menjalankan kode contoh yang kami sediakan, Anda akan memiliki pemahaman awal tentang fungsi-fungsi Milvus.

Persyaratan Versi

  • Milvus 2.3.0
  • Python 3 (3.7.1 atau versi lebih tinggi)
  • PyMilvus 2.3.x

Memasang SDK Python Milvus

python3 -m pip install pymilvus==

Unduh Kode Contoh

Gunakan perintah berikut untuk langsung mengunduh hello_milvus.py atau gunakan perintah berikut untuk mengunduh.

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

Penjelasan Kode Contoh

Kode contoh melakukan langkah-langkah berikut.

  • Mengimpor paket PyMilvus:
from pymilvus import (
    connections,
    utility,
    FieldSchema,
    CollectionSchema,
    DataType,
    Collection,
)
  • Terhubung ke server:
connections.connect("default", host="localhost", port="19530")
  • Membuat koleksi:
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 adalah contoh demo paling sederhana, digunakan untuk memperkenalkan API")
hello_milvus = Collection("hello_milvus", schema)
  • Memasukkan vektor ke dalam koleksi:
import random
entities = [
    [i for i in range(3000)],  # field pk
    [float(random.randrange(-20, -10)) for _ in range(3000)],  # field random
    [[random.random() for _ in range(8)] for _ in range(3000)],  # field embeddings
]
insert_result = hello_milvus.insert(entities)
hello_milvus.flush()
  • Membuat indeks pada entitas:
index = {
    "index_type": "IVF_FLAT",
    "metric_type": "L2",
    "params": {"nlist": 128},
}
hello_milvus.create_index("embeddings", index)
  • Memuat koleksi ke dalam memori dan melakukan pencarian kemiripan vektor:
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"])
  • Melakukan kueri vektor:
result = hello_milvus.query(expr="random > -14", output_fields=["random", "embeddings"])
  • Melakukan pencarian campuran:
result = hello_milvus.search(vectors_to_search, "embeddings", search_params, limit=3, expr="random > -12", output_fields=["random"])
  • Menghapus entitas berdasarkan kunci utama:
expr = f"pk in [{entities[0][0]}, {entities[0][1]}]"
hello_milvus.delete(expr)
  • Menghapus koleksi:
utility.drop_collection("hello_milvus")

Menjalankan kode contoh

Eksekusi perintah berikut untuk menjalankan kode contoh.

$ python3 hello_milvus.py

Berikut adalah hasil yang dikembalikan dan latensi kueri:

=== Menghubungkan ke Milvus ===

Apakah koleksi bernama hello_milvus ada di Milvus: False

=== Membuat koleksi `hello_milvus` ===

=== Memasukkan entitas ===

Jumlah entitas di Milvus: 3000

=== Membuat indeks IVF_FLAT ===

=== Memuat ===

=== Mencari berdasarkan kemiripan vektor ===

Cocok: (Jarak: 0.0, ID: 2998), Kolom Acak: -11.0
Cocok: (Jarak: 0.11455299705266953, ID: 1581), Kolom Acak: -18.0
Cocok: (Jarak: 0.1232629269361496, ID: 2647), Kolom Acak: -13.0
Cocok: (Jarak: 0.0, ID: 2999), Kolom Acak: -11.0
Cocok: (Jarak: 0.10560893267393112, ID: 2430), Kolom Acak: -18.0
Cocok: (Jarak: 0.13938161730766296, ID: 377), Kolom Acak: -14.0
Latensi pencarian = 0.2796 detik

=== Menanyakan dengan menggunakan `random > -14` ===

Hasil kueri:
- {'pk': 9, 'random': -13.0, 'embeddings': [0.298433, 0.931987, 0.949756, 0.598713, 0.290125, 0.094323, 0.064444, 0.306993]}
Latensi pencarian = 0.2970 detik

=== Melakukan pencarian campuran menggunakan `random > -12` ===

Cocok: (Jarak: 0.0, ID: 2998), Kolom Acak: -11.0
Cocok: (Jarak: 0.15773043036460876, ID: 472), Kolom Acak: -11.0
Cocok: (Jarak: 0.3273330628871918, ID: 2146), Kolom Acak: -11.0
Cocok: (Jarak: 0.0, ID: 2999), Kolom Acak: -11.0
Cocok: (Jarak: 0.15844076871871948, ID: 2218), Kolom Acak: -11.0
Cocok: (Jarak: 0.1622171700000763, ID: 1403), Kolom Acak: -11.0
Latensi pencarian = 0.3028 detik

=== Menghapus menggunakan ekspresi `pk in [0, 1]` ===

Pencarian sebelum penghapusan berdasarkan ekspresi `pk in [0, 1]` -> Hasil:
- {'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]}

Pencarian setelah penghapusan berdasarkan ekspresi `pk in [0, 1]` -> Hasil: []

=== Menghapus koleksi `hello_milvus` ===