Milvus vector database

第一章 Milvus概述

Milvus创建于2019年,唯一的目标是:存储、索引和管理由深度神经网络和其他机器学习(ML)模型生成的大量嵌入向量embedding vectors。

存储对象:向量

NOTE:embedding vectors是对非结构化数据的特征抽象,比如电子邮件、物联网传感器数据、Instagram照片、蛋白质结构等等。现代嵌入技术用于将非结构化数据转换为嵌入向量,从数学上讲,嵌入向量是浮点数或二进制数的数组。

Milvus能够通过计算两个向量的相似距离来分析它们之间的相关性,如果两个嵌入向量非常相似,则意味着原始数据源也是相似的。

1.1相关应用

  • 图像相似性搜索:图像可搜索,并立即从海量数据库中返回最相似的图像。

  • 视频相似度搜索:通过将关键帧转换为向量,然后将结果输入Milvus,可以近乎实时地搜索和推荐数十亿个视频。

  • 音频相似度搜索:快速查询语音、音乐、音效、表面相似声音等海量音频数据。

  • 分子相似性搜索:对特定分子进行快速相似性搜索、子结构搜索或上层结构搜索。

  • 推荐系统:推荐

官网:https://milvus.io/bootcamp/

1.2Milvus是如何设计的” />

该系统分为四个层次:

  • 访问层:访问层由一组无状态代理组成,作为系统的前端层和用户的端点。

  • 协调服务:协调服务将任务分配给工作节点,并发挥系统大脑的作用。

  • 工作节点:工作节点就像手臂和腿,是哑执行器,遵循协调器服务的指令,执行用户触发的DML/DDL命令。

  • 存储:存储是系统的骨架,负责数据持久性。它包括元存储、日志

有关更多信息,请参见体系结构概述Architecture Overview.

1.3开发者工具

Milvus由丰富的api和工具支持,以促进DevOps。

Milvus有包装在Milvus API之上的客户端库,可用于从应用程序代码中以编程方式插入、删除和查询数据。

PyMilvus

Node.js SDK

Go SDK

Java SDK

第二章 快速开始

2.1安装Milvus

使用docker-compose安装Milvus Standalone

【第一步】下载milvus-standalone-docker-compose.yml,并保存为docker-compose.yml

https://github.com/milvus-io/milvus/releases/download/v2.2.3/milvus-standalone-docker-compose.yml

linux

wget https://github.com/milvus-io/milvus/releases/download/v2.2.3/milvus-standalone-docker-compose.yml -O docker-compose.yml

【第二步】在与docker-compose.yml相同的目录中,启动所有docker-compose服务并后台运行

docker-compose up -d

【第三步】展示当前docker-compose编排过的运行的所有容器

docker-compose ps

停止服务

docker-compose down

停止Milvus后删除数据,执行

sudo rm -rfvolumes

第三章 学习

前提下载:PyMilvus 2.2.2

pip3 install pymilvus==2.2.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

3.1Manage Milvus Connections (连接管理)

如何连接和断开Milvus服务器

milvus支持两个端口:195309091

  • gRPC支持19530端口

    它是连接不同Milvus sdk的Milvus服务器时的默认端口。

  • RESTful API支持9091端口

    当使用HTTP客户端连接到Milvus服务器时使用它。

连接Milvus服务器

建立一个Milvus连接。在进行任何操作之前,请确保连接到Milvus服务器。

示例代码:

from pymilvus import connectionsconnections.connect(alias="default", host='localhost', port='19530')
ParameterDescription
alias要构造的Milvus连接的别名。
hostMilvus服务器IP地址。
portMilvus服务器端口。

返回值:由传递的参数创建的Milvus连接

NOTE:最大连接数为65,536。

Milvus服务器断开连接

示例代码:

connections.disconnect("default")
ParameterDescription
alias要断开连接的Milvus服务器的别名。

3.2Manage Collections(集合管理)

要创建的集合必须包含一个主键字段和一个向量字段。主键字段支持的数据类型为INT64和String。

Prepare Schema(准备schema)

首先,准备参数,包括field schema, collection schema, and collection name.、

示例代码:

from pymilvus import CollectionSchema, FieldSchema, DataTypebook_id = FieldSchema(name="book_id", dtype=DataType.INT64, is_primary=True, )book_name = FieldSchema(name="book_name", dtype=DataType.VARCHAR, max_length=200,)word_count = FieldSchema(name="word_count", dtype=DataType.INT64,)book_intro = FieldSchema(name="book_intro", dtype=DataType.FLOAT_VECTOR, dim=2)schema = CollectionSchema(fields=[book_id, book_name, word_count, book_intro], description="Test book search")collection_name = "book"
ParameterDescriptionOption
FieldSchema要创建的集合中的字段的模式。N/A
name要创建的字段的名称N/A
dtype要创建的字段的数据类型。DataType.INT64DataType.VARCHARDataType.BOOLDataType.INT64``DataType.FLOATDataType.DOUBLE BINARY_VECTOR FLOAT_VECTOR
is_primary 主键字段为必选项要创建的字段是否为主键True or False
auto_id (主键字段为必选项)启用或禁用自动ID(主键)分配。True or False
max_length (VARCHAR字段的必填项)允许插入的最大字符串长度。[1, 65,535]
dim (向量字段是必须的)向量的维数。[1, 32,768]
description (可选)字段的描述。N/A
CollectionSchema要创建的集合的模式。N/A
fields要创建的集合的字段。N/A
description (可选)要创建的集合的描述。N/A
collection_name要创建的集合的名称。N/A

Create a collection(创建集合)

示例代码:

from pymilvus import Collectioncollection = Collection(name=collection_name, schema=schema, using='default', shards_num=2)
ParameterDescriptionOption
using 可选通过在这里指定服务器别名,选择在哪个Milvus服务器中创建集合。N/A
shards_num 可选要创建的集合的碎片数。[1,256]
properties: collection.ttl.seconds 可选TTL (Collection time to live)是收集的过期时间。过期集合中的数据将被清理,并且不会涉及到搜索或查询。TTL以秒为单位。该值应该为0或更大。0表示关闭TTL。

限制

FeatureMaximum limit
Length of a collection name255 characters
Number of partitions in a collection4,096
Number of fields in a collection64
Number of shards in a collection256

Modify a collection(修改集合)

示例代码:

collection.set_properties(properties={"collection.ttl.seconds": 1800})

TTL (Collection time to live)是集合中数据的过期时间。集合中过期的数据将被清理,并且不会涉及到搜索或查询。TTL以秒为单位。该值应该为0或更大。缺省值为0,即关闭TTL功能。

Check Collection Information(核对集合信息)

检查是否存在集合

from pymilvus import utilityutility.has_collection("book")

检查集合的具体信息

from pymilvus import Collectioncollection = Collection("book") # Get an existing collection.collection.schema # Return the schema.CollectionSchema of the collection.collection.description# Return the description of the collection.collection.name # Return the name of the collection.collection.is_empty # Return the boolean value that indicates if the collection is empty.collection.num_entities# Return the number of entities in the collection.collection.primary_field # Return the schema.FieldSchema of the primary key field.collection.partitions# Return the list[Partition] object.collection.indexes # Return the list[Index] object.collection.properties# Return the expiration time of data in the collection.

列出这个Milvus实例中的所有集合。

from pymilvus import utilityutility.list_collections()

Drop a collection(删除一个集合)

from pymilvus import utilityutility.drop_collection("book")

Collection Alias(集合别名)

集合别名管理;别名的长度不能超过255个字符

创建集合别名
from pymilvus import utilityutility.create_alias(collection_name = "book",alias = "publication")
删除集合别名
from pymilvus import utilityutility.drop_alias(alias = "publication")
更改集合别名
from pymilvus import utilityutility.alter_alias(collection_name = "book",alias = "publication")

Load a Collection(加载一个集合)

将集合加载到内存中;Milvus中的所有搜索和查询操作都在内存中执行。

示例代码:

from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.load(replica_number=2)
ParameterDescription
partition_name (optional)要加载的分区名称
replica_number (optional)要加载的副本的编号

获取副本信息

from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.load(replica_number=2)# Load collection as 2 replicasresult = collection.get_replicas()print(result)

Release a Collection(释放一个集合)

从内存中释放集合,以减少内存使用。

示例代码:

from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.release()

3.3Manage Partitions(分区管理)

Create a Partition(创建一个分区)

Milvus允许将大量矢量数据划分为少量的分区,然后可以将搜索和其他操作限制在一个分区上,以提高性能

集合由一个或多个分区组成。在创建一个新集合时,Milvus创建了一个默认分区_default

集合中的分区数不能超过4096

示例:在集合book中构建分区novel。

from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.create_partition("novel")

Check Partition Information(核对分区信息)

1)检查是否存在分区 collection.has_partition()

from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.has_partition("novel")

2)列出所有分区collection.partitions

from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.partitions

Drop Partitions(删除分区)

删除指定集合中的分区

collection.drop_partition("novel")
ParameterDescription
partition_name要删除的分区的名称。

Load a Partition(加载分区)

将分区加载到内存

将分区而不是整个集合加载到内存中可以显著降低内存使用,Milvus中的所有搜索和查询操作都在内存中执行。

from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.load(["novel"], replica_number=2)from pymilvus import Partitionpartition = Partition("novel") # Get an existing partition.partition.load(replica_number=2)
ParameterDescription
partition_name分区名称。
replica_number (optional)要加载的副本的编号。
Get replica information(获取副本信息)

示例代码:

from pymilvus import Partitionpartition = Partition("novel") # Get an existing partition.partition.load(replica_number=2) # Load partition as 2 replicasresult = partition.get_replicas()print(result)

Release a Partition(释放分区)

在执行搜索或查询操作后,将分区从内存中释放,以减少对内存的占用。

示例代码:

from pymilvus import Partitionpartition = Partition("novel") # Get an existing partition.partition.release()
ParameterDescription
partition_name分区的名称

3.4Manage Data(数据管理)

Insert Entities(插入实体)

Prepare data(准备数据)

首先,准备要插入的数据。要插入的数据的数据类型必须与集合的模式匹配,否则Milvus将引发异常。

import randomdata = [[i for i in range(2000)],[str(i) for i in range(2000)],[i for i in range(10000, 12000)],[[random.random() for _ in range(2)] for _ in range(2000)],]
Insert data to Milvus(数据存储)

指定partition_name,选择将数据插入哪个分区。

from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.mr = collection.insert(data)
ParameterDescription
dataData to insert into Milvus.
partition_name (optional)要插入数据的分区名称。

Delete Entities(删除实体)

Milvus支持通过布尔表达式过滤的主键删除实体。

Prepare boolean expression

Milvus只支持删除带有明确指定主键的实体,这可以通过术语 in实现

其他运算符只能用于向量搜索中的查询或标量过滤。

下面的示例过滤主键值为0和1的数据。

expr = "book_id in [0,1]"
Delete entities

删除满足布尔表达式的实体。Milvus返回已删除实体的ID列表。

from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.delete(expr)
ParameterDescription
expr布尔表达式,指定要删除的实体。
partition_name (optional)删除实体的分区名称。

3.5Manage Indexes(索引管理)

Build an Index on Vectors

向量索引是元数据的组织单位,用于加速向量相似性搜索。如果没有建立在向量上的索引,Milvus将默认执行暴力搜索。

下面的例子用欧几里得距离(L2)作为相似度度量来构建一个1024个集群的IVF_FLAT索引。

更多的相似度测量:https://milvus.io/docs/metric.md

Prepare index parameter
index_params = {"metric_type":"L2","index_type":"IVF_FLAT","params":{"nlist":1024}}

参数说明:

1)metric_type 用于度量向量相似性的度量类型。

  • 浮点向量
    • L2 (Euclidean distance) 欧几里得距离
    • IP (Inner product) 内积(即点积)
  • 二进制向量
    • JACCARD (Jaccard distance) 杰卡德距离
    • TANIMOTO (Tanimoto distance) Tanimoto距离
    • HAMMING (Hamming distance) 海明距离
    • SUPERSTRUCTURE (Superstructure)
    • SUBSTRUCTURE (Substructure)

2)index_type 用于加速向量搜索的索引类型。

  • 浮点向量

    • FLAT (FLAT)
    • IVF_FLAT (IVF_FLAT)
    • IVF_SQ8 (IVF_SQ8)
    • IVF_PQ (IVF_PQ)
    • HNSW (HNSW)
    • ANNOY (ANNOY)
    • DISKANN* (DISK_ANN)
  • 二进制向量

    • BIN_FLAT (BIN_FLAT)
    • BIN_IVF_FLAT (BIN_IVF_FLAT)

3)params

针对索引构建参数,请参阅内存索引和磁盘索引。See In-memory Index and On-disk Index for more information.

Build index

针对向量字段构建索引

通过指定向量字段名和索引参数来构建索引。

from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.create_index(field_name="book_intro", index_params=index_params)
ParameterDescription
field_name要在其上构建索引的向量字段的名称。
index_params要构建的索引的参数。

Build an Index on Scalars

针对标量构建索引。

不像向量,向量有大小和方向,标量只有大小。Milvus将单个数字和字符串视为标量。下面是Milvus中标量字段可用数据类型的列表。

为了加快混合搜索中的属性过滤,从Milvus v2.1.0开始,可以在标量字段上构建索引。

Build index

针对标量构建索引

要在标量字段上构建索引,不需要设置任何索引参数。标量字段索引名的默认值为default_idx。您可以将它设置为另一个合适的值。

下面的代码片段假设一个名为book的集合已经存在,并且要在字符串字段book_name上创建索引。

from pymilvus import Collectioncollection = Collection("book") collection.create_index(field_name="book_name", index_name="scalar_index",)collection.load()

一旦创建了索引,可以在向量相似度搜索中包含一个布尔表达式:

search_param = {"data": [[0.1, 0.2]],"anns_field": "book_intro","param": {"metric_type": "L2", "params": {"nprobe": 10}},"limit": 2,"expr": "book_name like \"Hello%\"", }res = collection.search(**search_param)

Drop an Index(删除一个索引)

示例代码:

from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.drop_index()

3.6Search And Query

Conduct a Vector Similarity Search(向量相似度搜索)

Milvus中的向量相似搜索,计算查询向量与集合中具有指定相似度量的向量之间的距离,并返回最相似的结果。通过指定筛选标量字段或主键字段的布尔表达式【boolean expression 】,您可以执行混合搜索【 hybrid search 】,甚至使用Time Travel【 Time Travel】进行搜索。

需求:在包含图书ID(主键)、字数(标量字段)和图书介绍(向量字段)的2000行数据集上执行向量相似度搜索,模拟基于向量搜索某些图书的情况。Milvus将根据定义的查询向量和搜索参数返回最相似的结果。
Load collection 加载集合

Milvus中的所有搜索和查询操作都在内存中执行。在进行向量相似性搜索之前,将集合加载到内存中。

from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.load()
Prepare search parameters 准备查询参数

准备适合搜索场景的参数。

下面的示例定义了搜索策略,使用欧几里得距离计算距离,并从IVF_FLAT索引构建的10个最近的群集中检索向量。

search_params = {"metric_type": "L2", "params": {"nprobe": 10}, "offset": 5}
ParameterDescription
metric_type用于度量向量的相似性策略。See Simlarity Metrics for more information.
params特定于索引的搜索参数. See Vector Index for more information.
Conduct a vector search 执行向量查询

若要在特定分区 partition中搜索,请指定分区名称列表。

results = collection.search(data=[[0.1, 0.2]], anns_field="book_intro", param=search_params,limit=10, expr=None,consistency_level="Strong")
ParameterDescription
data用于搜索的向量
anns_field要搜索的字段的名称。
param特定于索引的搜索参数。See Vector Index for more information.
offset返回集中要跳过的结果数。这个值和“limit”的和应该小于16384。
limit数最相似的结果返回。这个值和offset的和应该小于16384。
expr用于过滤属性的布尔表达式. See Boolean Expression Rules for more information.
partition_names (optional)要搜索的分区的名称列表。
output_fields (optional)要返回的字段的名称。当前版本不支持向量字段。
timeout (optional)允许RPC的持续时间(以秒为单位)。当设置为None时,客户端等待服务器响应或发生错误。
round_decimal (optional)返回距离的小数位数
consistency_level (optional)搜索的一致性级别。

检查最相似向量的主键值及其距离。

results[0].idsresults[0].distances

释放在Milvus中加载的集合,以减少搜索完成时的内存消耗。

collection.release()

Conduct a Hybrid Search(混合搜索)

混合搜索本质上是带有属性过滤的向量搜索,通过指定过滤标量字段或主键字段的布尔表达式,可以用某些条件限制搜索。

需求:假设根据向量化搜索某些书籍,但只想要字数在特定范围内的书籍,然后可以指定布尔表达式来过滤搜索参数中的word_count字段。Milvus将只在与表达式匹配的实体中搜索相似的向量。
Load collection(加载集合)
from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.load()
Conduct a hybrid vector search(执行混合向量搜索)

通过指定布尔表达式,可以在向量搜索期间过滤实体的标量字段。

示例代码:将搜索范围限制为指定的word_count值范围内的向量。

search_param = {"data": [[0.1, 0.2]],"anns_field": "book_intro","param": {"metric_type": "L2", "params": {"nprobe": 10}},"offset": 0,"limit": 2,"expr": "word_count <= 11000",}res = collection.search(**search_param)

NOTE:collection.search返回结果为 SearchResult对象,一个可迭代的2d数组类,其第一个维度是要查询的向量数(nq),第二个维度是极限数(topk)。

Conduct a Vector Query(向量查询)

与向量相似度搜索不同,向量查询通过基于布尔表达式的标量过滤来检索向量。Milvus支持标量字段中的许多数据类型和各种布尔表达式。布尔表达式对标量字段或主键字段进行筛选,并检索与筛选器匹配的所有结果。

需求:对2000行的图书ID(主键)、字数(标量字段)和图书介绍(向量字段)数据集执行向量查询,模拟根据其ID查询某些图书的情况。
Load collection(加载集合)
from pymilvus import Collectioncollection = Collection("book")# Get an existing collection.collection.load()
Conduct a vector query(执行向量查询)
res = collection.query(expr = "book_id in [2,4,6,8]",offset = 0,limit = 10, output_fields = ["book_id", "book_intro"],consistency_level="Strong")

3.7Similarity Metrics

在Milvus中,相似性度量用于度量向量之间的相似性。选择一个好的距离度量有助于显著提高分类和聚类性能。下表显示了这些广泛使用的相似性度量如何与各种输入数据形式和Milvus索引相匹配。

欧式距离(L2)

其中,a = (a1, a2,…), an) 、b = (b1, b2,…, bn)是n维欧几里德空间中的两个点。

适用于连续性数据

内积(IP)

两个向量之间的内积定义如下:

其中A和B是向量。