本文介绍向量检索服务DashVector动态量化功能和作用。
背景介绍
量化（Quantization）是向量检索技术中一种常用的优化方法，通过一定程度的精度（召回率）损失，来换取性能的大幅度提升，以及内存占用（索引文件大小）大幅度降低。
向量检索服务DashVector支持向量的动态量化，用户仅需在新建Collection时选择对应的量化策略，即可无感的使用量化功能。
重要
量化功能 局限性 说明：现阶段，开启量化功能的Collection无法使用Sparse Vector功能。若您有量化+SparseVector结合使用的需求，可加群（官方钉钉群：25130022704）联系我们。
开启动态量化
前提条件
- 已创建Cluster
- 已获得API-KEY
- 已安装最新版SDK
代码示例
说明
-
需要使用您的api-key替换示例中的YOUR_API_KEY、您的Cluster Endpoint替换示例中的YOUR_CLUSTER_ENDPOINT，代码才能正常运行。
-
Cluster Endpoint，可在控制台"Cluster详情"中查看。
import dashvector
import numpy as np
from dashvector import VectorParamclient = dashvector.Client(api_key='YOUR_API_KEY',endpoint='YOUR_CLUSTER_ENDPOINT'
)
assert client# 创建带有量化策略的collection
ret = client.create('quantize_demo', vectors=VectorParam(768, quantize_type='DT_VECTOR_INT8'))
print(ret)collection = client.get('quantize_demo')# 正常写入向量数据，该向量数据会按照创建collection时定义的量化策略自动进行量化
collection.insert(('1', np.random.rand(768).astype('float32')))# 通过id获取对应的doc，需注意，这里获取到的向量数据是经过反量化后的近似值，非插入时的原值
doc = collection.fetch('1')# 若检索时设置返回向量数据，返回的向量数据同样是经过反量化后的近似值，非插入时的原值
docs = collection.query(vector=np.random.rand(768).astype('float32'),include_vector=True
)
说明
通过获取Doc获取到的向量数据，是经过反量化后的近似值，非插入时的原值。
参数描述
创建Collection时可通过VectorParam类的quantize_type字段来定义量化策略。quantize_type当前可选值如下：
DT_VECTOR_INT8：将Float32向量量化为INT8类型
性能和召回率参考
基于1百万768维数据集
-
DashVector规格 ：P.large
-
度量方式 ：cosine
-
topk ：100
说明
-
可以看到这个示例中，以4.38%的召回率下降为代价，将索引大小缩减为原来的1/3，同时QPS提升了48%。
-
以上数据为基于Cohere数据集实测结果，但不同数据集的数据分布对QPS、召回以及压缩比有影响，上述数据仅供参考。
更多参考
重要
可以看到，DashVector量化策略并非适用于所有数据集。在实际生产环境中，请谨慎使用量化策略。
建议创建不带量化策略、带量化策略的两个Collection，经过实际对比、测试、验证后再确定是否可将量化策略用于生产环境。
