Szybki start PyMilvus

To jest rozdział, który opisuje, jak szybko rozpocząć rozwijanie Milvus przy użyciu Pythona.

Uruchamiając dostarczony przez nas kod przykładowy, będziesz mieć wstępne zrozumienie funkcji Milvusa.

Wymagania dotyczące wersji

• Milvus 2.3.0
• Python 3 (3.7.1 lub nowszy)
• PyMilvus 2.3.x

Instalacja Milvus Python SDK

python3 -m pip install pymilvus==

Pobranie kodu przykładowego

Użyj poniższej komendy, aby bezpośrednio pobrać hello_milvus.py lub użyj poniższej komendy do pobrania.

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

Wyjaśnienie kodu przykładowego

Kod przykładowy wykonuje następujące kroki.

• Importuje pakiet PyMilvus:

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

• Łączy się z serwerem:

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

• Tworzy kolekcję:

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 is the simplest demo example, used to introduce the API")
hello_milvus = Collection("hello_milvus", schema)

• Wstawia wektory do kolekcji:

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

• Tworzy indeks na encjach:

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

• Wczytuje kolekcję do pamięci i wykonuje wyszukiwanie podobieństwa wektorów:

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"])

• Wykonuje zapytania wektorowe:

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

• Wykonuje mieszane wyszukiwanie:

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

• Usuwa encje na podstawie klucza głównego:

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

• Usuwa kolekcję:

utility.drop_collection("hello_milvus")

Uruchamianie przykładowego kodu

Wykonaj poniższą komendę, aby uruchomić przykładowy kod.

$ python3 hello_milvus.py

Poniżej przedstawione są zwrócone wyniki oraz opóźnienie zapytania:

=== Łączenie z Milvus ===

Czy kolekcja o nazwie hello_milvus istnieje w Milvus: False

=== Tworzenie kolekcji `hello_milvus` ===

=== Wstawianie obiektów ===

Liczba obiektów w Milvus: 3000

=== Tworzenie indeksu IVF_FLAT ===

=== Ładowanie ===

=== Wyszukiwanie na podstawie podobieństwa wektorów ===

Dopasowanie: (Odległość: 0.0, ID: 2998), Losowe pole: -11.0
Dopasowanie: (Odległość: 0.11455299705266953, ID: 1581), Losowe pole: -18.0
Dopasowanie: (Odległość: 0.1232629269361496, ID: 2647), Losowe pole: -13.0
Dopasowanie: (Odległość: 0.0, ID: 2999), Losowe pole: -11.0
Dopasowanie: (Odległość: 0.10560893267393112, ID: 2430), Losowe pole: -18.0
Dopasowanie: (Odległość: 0.13938161730766296, ID: 377), Losowe pole: -14.0
Opóźnienie wyszukiwania = 0.2796 sekundy

=== Filtrowanie z użyciem `random > -14` ===

Wynik zapytania:
-{'pk': 9, 'random': -13.0, 'embeddings': [0.298433, 0.931987, 0.949756, 0.598713, 0.290125, 0.094323, 0.064444, 0.306993]}
Opóźnienie wyszukiwania = 0.2970 sekundy

=== Wykonywanie mieszanych wyszukań z użyciem `random > -12` ===

Dopasowanie: (Odległość: 0.0, ID: 2998), Losowe pole: -11.0
Dopasowanie: (Odległość: 0.15773043036460876, ID: 472), Losowe pole: -11.0
Dopasowanie: (Odległość: 0.3273330628871918, ID: 2146), Losowe pole: -11.0
Dopasowanie: (Odległość: 0.0, ID: 2999), Losowe pole: -11.0
Dopasowanie: (Odległość: 0.15844076871871948, ID: 2218), Losowe pole: -11.0
Dopasowanie: (Odległość: 0.1622171700000763, ID: 1403), Losowe pole: -11.0
Opóźnienie wyszukiwania = 0.3028 sekundy

=== Usuwanie za pomocą wyrażenia `pk in [0, 1]` ===

Zapytanie przed usunięciem na podstawie wyrażenia `pk in [0, 1]` -> Wynik:
-{'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]}

Zapytanie po usunięciu na podstawie wyrażenia `pk in [0, 1]` -> Wynik: []

=== Usuwanie kolekcji `hello_milvus` ===