Milvus中那些年重要的基本概念-编程知识

Milvus是一款开源的云原生向量数据库，专为海量向量数据的存储、检索和管理而设计。它支持实时的向量相似度搜索，适用于各种AI和机器学习应用场景。以下是Milvus的一些基本概念：

非结构化数据

        非结构化数据是指那些不遵循特定数据模型或格式、无法在传统关系型数据库中轻松存储的数据。这类数据包括文本、图像、音频和视频等，它们通常是自由形式的，包含丰富的信息，但也更加复杂。

        在Milvus中，非结构化数据通过特征提取转换为向量形式，即每个数据点被转换为数值向量，这些向量能够在多维空间中表示原始数据的特征。例如，一张图片可以通过深度学习模型转换为一个特征向量，该向量捕捉了图片的关键特征，如颜色、形状和纹理。

        Milvus作为一个向量数据库，专门用于存储和检索这些向量。它利用先进的索引策略，如倒排索引（Inverted Index）和HNSW（Hierarchical Navigable Small World），来快速检索相似的向量，从而找到与查询条件最匹配的非结构化数据。

        简而言之，Milvus将非结构化数据的复杂性转化为向量空间中的简单性，使得这些数据可以通过向量相似度进行高效的搜索和分析。这对于实现基于内容的检索（CBIR）、推荐系统、自然语言处理等应用至关重要。

特征向量（Embedding Vector）

Milvus是一款开源的向量数据库，支持TB级向量的增删改操作和近实时查询，集成了多种向量索引库，提供了一整套简单直观的API。特征向量是将非结构化数据转换成的连续向量，通常由浮点数或二进制数数组组成。这些向量可以用于计算数据之间的相似度。

向量定义：向量是具有一定大小和方向的量，可以理解为一串数字的集合，类似于一行多列的矩阵。例如：[2,0,1,9,0,6,3,0]。
特征向量：特征向量包含事物的重要特征，常见的特征向量如RGB色彩，其中每种颜色通过红、绿、蓝三种颜色的比例得到。
优势：特征向量能够高效准确地描述多媒体内容，对于机器学习和模式识别领域至关重要。
应用领域：广泛应用于图像识别、语音识别、垃圾邮件过滤等多个领域。

向量相似度检索

在Milvus中，向量相似度检索是一项核心功能，它允许用户在海量向量数据中快速找到与查询向量最相似的数据。以下是详细描述：

加载集合：在进行搜索之前，需要将包含向量数据的集合（Collection）加载到内存中。这是因为Milvus中的所有搜索和查询操作都在内存中执行。
准备搜索参数：根据搜索场景，定义搜索参数。例如，可以指定使用欧几里得距离（L2）来计算向量之间的距离，并从索引中检索最近的向量。
执行搜索：使用定义好的搜索参数，Milvus将计算查询向量与集合中向量之间的距离，并返回最相似的结果。搜索可以是简单的向量搜索，也可以是混合搜索，后者结合了标量字段过滤。
搜索结果：Milvus返回的搜索结果包括最相似的向量的ID和它们的相似度分数。用户可以根据这些信息进一步处理或分析数据。

Collection（集合）

在Milvus中，Collection（集合）是存储和管理向量数据的基本单位，类似于关系型数据库中的表（table）。以下是关于Milvus中Collection的详细描述：

Collection的结构：每个Collection由多个字段（Field）组成，这些字段可以包含向量字段（用于存储向量数据）和标量字段（如数字、文本等用于存储描述性数据或元数据）。

创建Collection：创建一个Collection时，需要定义其结构，包括字段的名称、类型和其他属性。例如，可以创建一个包含书籍ID、书名、单词数量和书籍简介向量的Collection。在创建新Collection时，Milvus会创建一个默认分区 _default。

Collection的操作：用户可以对Collection执行各种操作，如插入数据、建立索引、搜索和删除等。

分区和分片：为了提高数据管理的灵活性和搜索的效率，Collection可以被划分为多个分区（Partition）。此外，Collection还可以配置分片（Shard），以支持大规模分布式部署。

索引和搜索：为了加速向量数据的检索，Milvus允许用户在Collection上创建索引。创建索引后，可以使用向量相似度搜索功能来快速找到与查询向量最相似的数据。

扩展性：Milvus的设计支持高扩展性，可以容纳数千个Collection，满足大数据量和多租户场景下的需求。

示例代码：以下是一个使用Python SDK创建Collection的示例代码：

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"

这个示例展示了如何定义一个Collection的模式，包括主键字段、标量字段和向量字段。在实际应用中，向量字段通常具有更高的维度。Milvus的Collection是处理和检索向量数据的强大工具，它为各种AI和ML应用提供了灵活、高效的数据管理和搜索能力。

Milvus的架构设计上，采用了存储与计算分离的模式，所有组件都是无状态的，以增强系统的弹性和灵活性。它包括接入层、协调服务、执行节点和存储层，每个层次都可以独立扩展和容灾。

Milvus的应用场景非常广泛，包括但不限于图像搜索、推荐系统、自然语言处理和生物信息学等领域。如果您想了解更多关于Milvus的信息，可以访问其官方文档或社区资源。