Inicialização Rápida do PyMilvus

Este capítulo introduz como começar rapidamente com o desenvolvimento do Milvus usando Python.

Ao executar o código de exemplo que fornecemos, você terá uma compreensão preliminar das funções do Milvus.

Requisitos de Versão

• Milvus 2.3.0
• Python 3 (3.7.1 ou superior)
• PyMilvus 2.3.x

Instalar Milvus Python SDK

python3 -m pip install pymilvus==

Baixar o Código de Exemplo

Use o seguinte comando para baixar diretamente hello_milvus.py ou use o seguinte comando para baixar.

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

Explicação do Código de Exemplo

O código de exemplo realiza as seguintes etapas:

• Importar o pacote PyMilvus:

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

• Conectar ao servidor:

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

• Criar uma coleção:

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)

• Inserir vetores na coleção:

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()

• Criar um índice nas entidades:

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

• Carregar a coleção na memória e realizar busca de similaridade de vetores:

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"])

• Realizar consultas de vetor:

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

• Realizar busca mista:

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

• Excluir entidades com base na chave primária:

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

• Excluir a coleção:

utility.drop_collection("hello_milvus")

Executando o código de exemplo

Execute o seguinte comando para executar o código de exemplo.

$ python3 hello_milvus.py

Abaixo mostra os resultados retornados e a latência da consulta:

=== Conectando ao Milvus ===

A coleção chamada hello_milvus existe no Milvus: Falso

=== Criando a coleção `hello_milvus` ===

=== Inserindo entidades ===

Número de entidades no Milvus: 3000

=== Criando índice IVF_FLAT ===

=== Carregando ===

=== Pesquisando com base na similaridade de vetores ===

Correspondência: (Distância: 0.0, ID: 2998), Campo Aleatório: -11.0
Correspondência: (Distância: 0.11455299705266953, ID: 1581), Campo Aleatório: -18.0
Correspondência: (Distância: 0.1232629269361496, ID: 2647), Campo Aleatório: -13.0
Correspondência: (Distância: 0.0, ID: 2999), Campo Aleatório: -11.0
Correspondência: (Distância: 0.10560893267393112, ID: 2430), Campo Aleatório: -18.0
Correspondência: (Distância: 0.13938161730766296, ID: 377), Campo Aleatório: -14.0
Latência da busca = 0.2796 segundos

=== Consultando usando `random > -14` ===

Resultado da consulta:
-{'pk': 9, 'random': -13.0, 'embeddings': [0.298433, 0.931987, 0.949756, 0.598713, 0.290125, 0.094323, 0.064444, 0.306993]}
Latência da busca = 0.2970 segundos

=== Realizando busca mista usando `random > -12` ===

Correspondência: (Distância: 0.0, ID: 2998), Campo Aleatório: -11.0
Correspondência: (Distância: 0.15773043036460876, ID: 472), Campo Aleatório: -11.0
Correspondência: (Distância: 0.3273330628871918, ID: 2146), Campo Aleatório: -11.0
Correspondência: (Distância: 0.0, ID: 2999), Campo Aleatório: -11.0
Correspondência: (Distância: 0.15844076871871948, ID: 2218), Campo Aleatório: -11.0
Correspondência: (Distância: 0.1622171700000763, ID: 1403), Campo Aleatório: -11.0
Latência da busca = 0.3028 segundos

=== Excluindo usando a expressão `pk in [0, 1]` ===

Consultando antes da exclusão com base na expressão `pk in [0, 1]` -> Resultado:
-{'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]}

Consultando após a exclusão com base na expressão `pk in [0, 1]` -> Resultado: []
 
=== Excluindo a coleção `hello_milvus` ===