Avvio rapido di PyMilvus

Questo capitolo introduce come iniziare rapidamente lo sviluppo con Milvus utilizzando Python.

Eseguendo il codice di esempio che forniamo, avrai una comprensione preliminare delle funzioni di Milvus.

Requisiti di Versione

• Milvus 2.3.0
• Python 3 (3.7.1 o versione successiva)
• PyMilvus 2.3.x

Installazione Milvus Python SDK

python3 -m pip install pymilvus==

Scarica il Codice di Esempio

Usa il seguente comando per scaricare direttamente hello_milvus.py o utilizza il seguente comando per il download.

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

Spiegazione del Codice di Esempio

Il codice di esempio esegue i seguenti passaggi.

• Importa il pacchetto PyMilvus:

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

• Connettersi al server:

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

• Crea una collezione:

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 è l'esempio demo più semplice, utilizzato per introdurre l'API")
hello_milvus = Collection("hello_milvus", schema)

• Inserisci vettori nella collezione:

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

• Crea un indice sulle entità:

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

• Carica la collezione in memoria e esegui la ricerca di similarità vettoriale:

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"])

• Esegui query vettoriali:

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

• Esegui una ricerca mista:

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

• Elimina entità basate sulla chiave primaria:

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

• Elimina la collezione:

utility.drop_collection("hello_milvus")

Esecuzione del codice di esempio

Esegui il comando seguente per eseguire il codice di esempio.

$ python3 hello_milvus.py

Di seguito vengono mostrati i risultati restituiti e la latenza delle query:

=== Connessione a Milvus ===

Esiste la collezione chiamata hello_milvus in Milvus: Falso

=== Creazione della collezione `hello_milvus` ===

=== Inserimento entità ===

Numero di entità in Milvus: 3000

=== Creazione dell'indice IVF_FLAT ===

=== Caricamento ===

=== Ricerca basata sulla similarità vettoriale ===

Corrispondenza: (Distanza: 0.0, ID: 2998), Campo casuale: -11.0
Corrispondenza: (Distanza: 0.11455299705266953, ID: 1581), Campo casuale: -18.0
Corrispondenza: (Distanza: 0.1232629269361496, ID: 2647), Campo casuale: -13.0
Corrispondenza: (Distanza: 0.0, ID: 2999), Campo casuale: -11.0
Corrispondenza: (Distanza: 0.10560893267393112, ID: 2430), Campo casuale: -18.0
Corrispondenza: (Distanza: 0.13938161730766296, ID: 377), Campo casuale: -14.0
Latenza di ricerca = 0.2796 secondi

=== Query utilizzando `random > -14` ===

Risultato della query:
-{'pk': 9, 'random': -13.0, 'embeddings': [0.298433, 0.931987, 0.949756, 0.598713, 0.290125, 0.094323, 0.064444, 0.306993]}
Latenza di ricerca = 0.2970 secondi

=== Esecuzione della ricerca mista utilizzando `random > -12` ===

Corrispondenza: (Distanza: 0.0, ID: 2998), Campo casuale: -11.0
Corrispondenza: (Distanza: 0.15773043036460876, ID: 472), Campo casuale: -11.0
Corrispondenza: (Distanza: 0.3273330628871918, ID: 2146), Campo casuale: -11.0
Corrispondenza: (Distanza: 0.0, ID: 2999), Campo casuale: -11.0
Corrispondenza: (Distanza: 0.15844076871871948, ID: 2218), Campo casuale: -11.0
Corrispondenza: (Distanza: 0.1622171700000763, ID: 1403), Campo casuale: -11.0
Latenza di ricerca = 0.3028 secondi

=== Eliminazione utilizzando l'espressione `pk in [0, 1]` ===

Query prima dell'eliminazione basata sull'espressione `pk in [0, 1]` -> Risultato:
-{'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]}

Query dopo l'eliminazione basata sull'espressione `pk in [0, 1]` -> Risultato: []

=== Eliminazione della collezione `hello_milvus` ===