LLM之高性能向量检索库

高性能向量检索库

milvus

简介

Milvus 是一个开源的向量数据库引擎，旨在提供高效的向量存储、检索和分析能力。它被设计用于处理大规模的高维向量数据，常用于机器学习、计算机视觉、自然语言处理和推荐系统等领域。

Milvus 提供了多种功能和特性，使其成为处理向量数据的理想选择。以下是一些 Milvus 的主要特点：

1. 高性能：Milvus 使用了高度优化的数据结构和索引算法，以实现快速的向量检索。它支持多种索引类型，如平面索引、倒排索引和 HNSW（Hierarchical Navigable Small World）等，这些索引能够加速向量的相似度搜索。
2. 可扩展性：Milvus 具备良好的可扩展性，可以轻松地扩展到大规模的向量数据集。它支持分布式部署，可以在多个节点上进行数据存储和查询操作，实现高吞吐量和低延迟。
3. 多样化的向量类型：Milvus 支持多种向量类型，包括浮点型向量、二进制向量和文本向量等。这使得它可以适应不同领域和应用中的向量数据需求。
4. 多语言支持：Milvus 提供了多种编程语言的 SDK（软件开发工具包），包括 Python、Java、Go 和 C++ 等，使开发者可以方便地集成 Milvus 到他们的应用程序中。
5. 可视化管理界面：Milvus 提供了一个易于使用的 Web 界面，用于管理和监控向量数据库。开发者可以通过该界面进行数据导入、索引构建和查询优化等操作，同时还能够查看系统状态和性能指标。

总之，Milvus 是一个功能强大的向量数据库引擎，通过其高性能、可扩展性和多样化的特性，能够有效地存储和检索大规模的高维向量数据。它在许多领域的应用中发挥着重要作用，帮助开发者加速向量相关任务的开发和部署。

安装

• docker 安装镜像：docker pull milvusdb/milvus:cpu-latest

• 创建工作目录：

  mkdir milvus

  cd milvus

  mkdir congf

  mkdir db

  mkdir logs

  mkdir wal

我的目录结构是：

  milvus│├─conf //配置文件目录│      server_config.yaml  //配置文件 搜索引擎配置都在这里修改│├─db //数据库存储目录 你的索引与向量存储的位置│└─logs //日志存储目录 │└─wal // 预写式日志相关配置

server_config.yaml

docker run -it milvusdb/milvus:cpu-latest bash

docker cp 74c20a680091:/var/lib/milvus/conf/server_config.yaml milvus/conf/

• 启动容器

  docker run -td --name mymilvus -e "TZ=Asia/Shanghai" -p 19530:19530 -p 19121:19121 -v /work/lnn_workspace/chatgpt/search/milvus/conf:/var/lib/milvus/conf -v /work/lnn_workspace/chatgpt/search/milvus/db:/var/lib/milvus/db -v /work/lnn_workspace/chatgpt/search/milvus/logs:/var/lib/milvus/logs   milvusdb/milvus:cpu-latest
  

  docker ps | grep mymilvus

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-orhH8dlK-1685346967888)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20230519105321396.png)]

• 安装pymilvus

pip install pymilvus==1.1.2
ps:注意这里安装最新版本可以会无法正常调用，1.1.2经过测试可正常使用

调用

# -*- coding: utf-8 -*-  # 导入相应的包  
import numpy as np  
from milvus import Milvus, MetricType  # 初始化一个Milvus类，以后所有的操作都是通过milvus来的  
milvus = Milvus(host='localhost', port='19530')  # 向量个数  
num_vec = 5000  
# 向量维度  
vec_dim = 768  
# name  
collection_name = "test_collection"  
# 创建collection，可理解为mongo的collection  
collection_param = {  'collection_name': collection_name,  'dimension': vec_dim,  'index_file_size': 32,  'metric_type': MetricType.IP  # 使用内积作为度量值  
}  
milvus.create_collection(collection_param)  # 随机生成一批向量数据  
# 支持ndarray，也支持list  
vectors_array = np.random.rand(num_vec, vec_dim)  # 把向量添加到刚才建立的collection中  
status, ids = milvus.insert(collection_name=collection_name, records=vectors_array)  # 返回 状态和这一组向量的ID  
milvus.flush([collection_name])  # 输出统计信息  
print(milvus.get_collection_stats(collection_name))  # 创建查询向量  
query_vec_array = np.random.rand(1, vec_dim)  
# 进行查询,  
status, results = milvus.search(collection_name=collection_name, query_records=query_vec_array, top_k=5)  
print(status)  
print(results)  # 如果不用可以删掉  
status = milvus.drop_collection(collection_name)  # 断开、关闭连接  
milvus.close()

collection_name = "test_collection"
- 定义集合名称为test_collection
collection_param = {'collection_name': collection_name,'dimension': vec_dim,'index_file_size': 32,'metric_type': MetricType.IP 
}
milvus.create_collection(collection_param)  - collection_name 指定集合名称为test_collection
- dimension 表示集合中向量的维度,由vec_dim变量赋值
- index_file_size 设置索引文件大小为32MB
- metric_type 设置度量类型为IP,表示使用向量内积作为相似度度量
所以,这段代码定义了集合名称和相关参数,用于在Milvus服务上创建一个新的集合。
在Milvus中,集合相当于关系数据库的表,是存储向量的基本单元。在创建集合时,我们需要指定:
1. 集合名称:唯一标识一个集合
2. 向量维度:集合中向量的特征数量
3. 度量类型:测量向量之间相似度的算法,如IP(内积)、L2(欧氏距离)等
4. 索引文件大小:用于提高搜索性能,索引文件会存储向量的索引信息

faiss

简介

Faiss是Facebook开源的一个向量检索库,用于大规模向量集合的索引和搜索。主要功能包括:

1. 支持多种索引结构: IVF, IVFFlat, HNSW, etc。这些索引结构可以实现高精度和高召回的向量搜索。
2. 支持多种度量方式:内积,欧氏距离,cosine 相似度等。可选择合适的度量方式对向量集合建立索引。
3. 快速的索引构建与搜索:Faiss使用GPU加速,可以实现亿量级向量的索引构建和搜索。
4. 降维与聚类:Faiss提供PCA,IVFFlat等算法进行向量降维,并支持Kmeans算法进行向量聚类。
5. 高级特性:Faiss支持在线学习,异构向量检索,索引压缩等高级特性。

Faiss的典型应用有:

1. 图像检索:在大规模图片数据库中找到与输入图片最相似的图片。

2. 文本匹配:快速找到与输入文本最相近的文本内容。

3. 推荐系统:根据用户兴趣对大量商品进行快速检索和推荐。

4. 声纹识别:在海量语音数据中实现语音识别和检索。

Faiss提供C++, Python和Java语言接口,可以轻松构建向量检索系统。如果需要管理和搜索海量高维向量,Faiss是一个非常好的选择。

安装

install faiss-cpu

调用

# 导入库  
import numpy as np  
import faiss  # 向量个数  
num_vec = 5000  
# 向量维度  
vec_dim = 768  
# 搜索topk  
topk = 10  # 随机生成一批向量数据  
vectors = np.random.rand(num_vec, vec_dim)  # 创建索引  
faiss_index = faiss.IndexFlatL2(vec_dim)  # 使用欧式距离作为度量  
# 添加数据  
faiss_index.add(vectors)  # 查询向量 假设有5个  
query_vectors = np.random.rand(5, vec_dim)  
# 搜索结果  
# 分别是 每条记录对应topk的距离和索引  
# ndarray类型 。shape：len(query_vectors)*topk  
res_distance, res_index = faiss_index.search(query_vectors, topk)  
print(res_index)  
print(res_distance)