پائیتھن ملوس تیز شروع

یہ فصل ملاقات کراتی ہے کہ کیسے آپ پائتھان کا ڈویلپمنٹ شروع کر سکتے ہیں اور پائتھان کا استعمال کرکے ہمیں ملوس کی کارروائیوں کا پہلے سے جاننا ہوتا ہے۔

۔ ورژن کی ضرورت:

• ملوس 2.3.0
• پائتھان 3 (3.7.1 یا اس سے زیادہ)
• PyMilvus 2.3.x

ملوس پائتھان ایس ڈی کا انسٹال کریں

python3 -m pip install pymilvus==

ساننپل کوڈ ڈاؤن لوڈ کریں سیدھا hello_milvus.py ڈاؤن لوڈ کرنے کے لئے مندرجہ ذیل کمانڈ استعمال کریں یا مندرجہ ذیل کمانڈ کا استعمال کریں۔

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

ساننپل کوڈ کی وضاحت: ساننپل کوڈ مندرجہ ذیل اقدامات انجام دیتا ہے۔

• PyMilvus پیکیج کو وارد کریں:

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

• سرور سے منسلک ہوں:

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

• ایک کلیکشن بنائیں:

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)

• کلیکشن میں ویکٹر ڈالیں:

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()

• انٹٹیز پر اینڈیکس بنائیں:

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

• کلیکشن کو میموری میں لوڈ کریں اور ویکٹر مماثلت تلاش کریں:

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"])

• ویکٹر کوئیریز کریں:

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

• مکسڈ سرچ کریں:

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

• پرائمری کی بنیاد پر انٹیٹیز کو حذف کریں:

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

• کلیکشن کو حذف کریں:

utility.drop_collection("hello_milvus")

نمونہ کوڈ کا اجراء

نمونہ کوڈ کو چلانے کے لئے مندرجہ ذیل کمانڈ کو نافذ کریں۔

$ python3 hello_milvus.py

نیچے واپسی نتائج اور سوال کی لیٹنسی دکھائی گئی ہیں:

=== ملوس کے ساتھ منسلک ہو رہا ہے ===

کیا سلیکشن جو hello_milvus نام کی ہے ملوس میں موجود ہے: غلط

=== کلیکشن `hello_milvus` بنانا ===

=== انٹیٹیز داخل کرنا ===

ملوس میں انٹیٹیز کی تعداد: 3000

=== IVF_FLAT انڈیکس بنانا ===

=== لوڈ کرنا ===

=== برابر برابر  برابرات سے تلاش کرنا ===

میچ: (فاصلہ: 0.0، شناخت: 2998)، رینڈم فیلڈ: -11.0
میچ: (فاصلہ: 0.4694891378879547، شناخت: 1262)، رینڈم فیلڈ: -17.0
میچ: (فاصلہ: 0.46560767221450806، شناخت: 1685)، رینڈم فیلڈ: -18.0
میچ: (فاصلہ: 0.0، شناخت: 2999)، رینڈم فیلڈ: -11.0
میچ: (فاصلہ: 0.37130862498283386، شناخت: 1760)، رینڈم فیلڈ: -17.0
میچ: (فاصلہ: 0.47116813، شناخت: 106)، رینڈم فیلڈ: -15.0
تلاش کی لیٹنسی = 0.2796 سیکنڈ

=== `random > -14` کا استعمال کرتے ہوئے کوئیری کرنا ===

کوئیری کا نتیجہ:
- {'pk': 9، 'random': -13.0، 'embeddings': [0.298433، 0.931987، 0.949756، 0.598713، 0.290125، 0.094323، 0.064444، 0.306993]}
تلاش کی لیٹنسی = 0.2970 سیکنڈ

=== `random > -12` کا استعمال کرتے ہوئے مختلط تلاش کرنا ===

میچ: (فاصلہ: 0.0، شناخت: 2998)، رینڈم فیلڈ: -11.0
میچ: (فاصلہ: 0.17413942575454712، شناخت: 1289)، رینڈم فیلڈ: -18.0
میچ: (فاصلہ: 0.15453216469287872، شناخت: 677)، رینڈم فیلڈ: -17.0
میچ: (فاصلہ: 0.0، شناخت: 2999)، رینڈم فیلڈ: -11.0
میچ: (فاصلہ: 0.16946256196594238، شناخت: 640)، رینڈم فیلڈ: -17.0
میچ: (فاصلہ: 0.23995159554481506، شناخت: 1890)، رینڈم فیلڈ: -15.0
تلاش کی لیٹنسی = 0.3028 سیکنڈ

=== `pk in [0, 1]` کی روشنی میں حذف کرنا ===

حذف کرنے کے لئے کوئیری کرتے ہوئے پوچھنا کہ کیا `pk in [0, 1]` کے بنیاد پر ڈیلیٹ میں پہلے سے سوالی ہے -> نتیجہ:
- {'pk': 0، 'random': -10.0، 'embeddings': [0.249356، 0.75377، 0.1495325، 0.5611126، 0.1480831، 0.9754792، 0.7326457، 0.6718869]} 
- {'pk': 1، 'random': -19.0، 'embeddings': [0.8562291، 0.5082093، 0.2537944، 0.3673589، 0.69892، 0.916102، 0.4716004، 0.4637171]} 

`pk in [0، 1]` کی روشنی میں حذف کرنے کے بعد کوئیری کرنا -> نتیجہ: []
=== کلیکشن `hello_milvus` کا حذف کرنا ===