คู่มือเริ่มต้น PyMilvus

บทนี้จะแนะนำวิธีเริ่มต้นการพัฒนา Milvus โดยใช้ Python อย่างรวดเร็ว

โดยการรันโค้ดตัวอย่างที่เราให้, คุณจะได้เข้าใจเบื้องต้นเกี่ยวกับฟังก์ชันของ Milvus

ความต้องการของเวอร์ชัน

Milvus 2.3.0
Python 3 (3.7.1 หรือสูงกว่า)
PyMilvus 2.3.x

การติดตั้ง Milvus Python SDK

python3 -m pip install pymilvus==

ดาวน์โหลดโค้ดตัวอย่าง

ใช้คำสั่งต่อไปนี้เพื่อดาวน์โหลด hello_milvus.py โดยตรง หรือใช้คำสั่งต่อไปนี้เพื่อดาวน์โหลด

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

อธิบายโค้ดตัวอย่าง

โค้ดตัวอย่างดำเนินการตามขั้นตอนต่อไปนี้

นำเข้าแพ็คเกจ PyMilvus:

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

เชื่อมต่อกับเซิร์ฟเวอร์:

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

สร้างคอลเลกชัน:

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)

แทรกเวกเตอร์เข้าสู่คอลเลกชัน:

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()

สร้างดัชนีบนเอนทิตี้:

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

โหลดคอลเลกชันเข้าสู่หน่วยความจำและดำเนินการค้นหาความคล้ายคลึงเวกเตอร์:

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"])

ดำเนินการคิวรี่เวกเตอร์:

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

ดำเนินการค้นหาผสม:

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

ลบเอนทิตี้โดยใช้รหัสหลัก:

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

ลบคอลเลกชัน:

utility.drop_collection("hello_milvus")

การรันโค้ดตัวอย่าง

กรุณา execute คำสั่งด้านล่างเพื่อรันโค้ดตัวอย่าง

$ python3 hello_milvus.py

ด้านล่างนี้คือผลลัพธ์ที่ได้และเวลาที่ใช้ในการค้นหา:

=== เชื่อมต่อกับ Milvus ===

มีคอลเลกชันชื่อ hello_milvus อยู่ใน Milvus หรือไม่: ไม่มี

=== สร้างคอลเลกชัน `hello_milvus` ===

=== การเพิ่ม entities ===

จำนวน entities ใน Milvus: 3000

=== สร้างดัชนี IVF_FLAT ===

=== โหลด ===

=== ค้นหาโดยใช้ความคล้ายความเป็นเวกเตอร์ ===

Match: (ระยะ: 0.0, ID: 2998), ฟิลด์สุ่ม: -11.0
Match: (ระยะ: 0.11455299705266953, ID: 1581), ฟิลด์สุ่ม: -18.0
Match: (ระยะ: 0.1232629269361496, ID: 2647), ฟิลด์สุ่ม: -13.0
Match: (ระยะ: 0.0, ID: 2999), ฟิลด์สุ่ม: -11.0
Match: (ระยะ: 0.10560893267393112, ID: 2430), ฟิลด์สุ่ม: -18.0
Match: (ระยะ: 0.13938161730766296, ID: 377), ฟิลด์สุ่ม: -14.0
เวลาค้นหา = 0.2796 วินาที

=== การค้นหาโดยใช้ `random > -14` ===

ผลลัพธ์ของคิวรี่:
-{'pk': 9, 'random': -13.0, 'embeddings': [0.298433, 0.931987, 0.949756, 0.598713, 0.290125, 0.094323, 0.064444, 0.306993]}
เวลาค้นหา = 0.2970 วินาที

=== การค้นหาผสมโดยใช้ `random > -12` ===

Match: (ระยะ: 0.0, ID: 2998), ฟิลด์สุ่ม: -11.0
Match: (ระยะ: 0.15773043036460876, ID: 472), ฟิลด์สุ่ม: -11.0
Match: (ระยะ: 0.3273330628871918, ID: 2146), ฟิลด์สุ่ม: -11.0
Match: (ระยะ: 0.0, ID: 2999), ฟิลด์สุ่ม: -11.0
Match: (ระยะ: 0.15844076871871948, ID: 2218), ฟิลด์สุ่ม: -11.0
Match: (ระยะ: 0.1622171700000763, ID: 1403), ฟิลด์สุ่ม: -11.0
เวลาค้นหา = 0.3028 วินาที

=== การลบโดยใช้สมการ `pk in [0, 1]` ===

การคิวรี่ก่อนการลบที่ใช้สมการ `pk in [0, 1]` -> ผลลัพธ์:
-{'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]}

การค้นหาหลังการลบที่ใช้สมการ `pk in [0, 1]` -> ผลลัพธ์: []

=== การลบคอลเลกชัน hello_milvus ===

ความต้องการของเวอร์ชัน

การติดตั้ง Milvus Python SDK

ดาวน์โหลดโค้ดตัวอย่าง

อธิบายโค้ดตัวอย่าง

การรันโค้ดตัวอย่าง

บทเรียนที่เกี่ยวข้อง