AI視頻剪輯工具：解鎖創作的無限可能
你可能也喜歡這些API文章!
在深入了解Milvus之前，有幾個關鍵概念需要了解：
非結構化數據包括圖像、視頻、音頻和自然語言等，這些數據不遵循預定義的模型或組織方式。Milvus可以將這些數據轉換為向量，實現向量化存儲和搜索。
嵌入向量是非結構化數據的特征抽象，通過現代嵌入技術，如深度學習和神經網絡，將非結構化數據轉換為向量。
向量相似性搜索是將一個向量與數據庫中的向量進行比較，以找到與查詢向量最相似的向量的過程。Milvus通過近似最近鄰（ANN）搜索算法加速搜索過程。
Milvus具有以下幾個優點：
在Milvus中，索引是數據的組織單元。在搜索或查詢插入的實體之前，必須聲明索引類型和相似性度量標準。Milvus支持多種索引類型和度量標準，以適應不同的搜索需求。
Milvus支持的索引類型包括HNSW、FLAT、IVF_FLAT、IVF_SQ8、IVF_PQ、SCANN和DiskANN等，這些索引類型使用近似最近鄰搜索（ANNS）來加速搜索過程。
Milvus支持多種相似性度量標準，包括余弦相似度、歐氏距離（L2）、內積（IP）、漢明距離和Jaccard相似度等，這些度量標準用于衡量向量之間的相似性。
Milvus可以應用于多種場景，包括圖像相似性搜索、視頻相似性搜索、音頻相似性搜索、推薦系統、問答系統、DNA序列分類和文本搜索引擎等。
Milvus作為一個云原生向量數據庫，通過設計將存儲和計算分離，增強了系統的彈性和靈活性。Milvus的系統分為訪問層、協調器服務、工作節點和存儲四個層級，所有組件都是無狀態的。
在探索各種向量數據庫選項時，Milvus以其獨特的功能和優勢脫穎而出。Milvus不僅支持基本的向量相似度搜索，還支持高級功能，如稀疏向量、批量向量、過濾搜索和多向量搜索功能。Milvus支持多種部署模式和多個SDK，在一個強大的集成生態系統中實現。
Milvus的主要亮點包括：
本章節將介紹如何在本地運行Milvus Lite，以及如何使用Docker Compose運行Milvus。
Milvus Lite是Milvus的輕量級版本，可以被導入到Python應用程序中，提供Milvus的核心向量搜索功能。
Milvus Lite與Milvus共享相同的API，并覆蓋了大部分Milvus的功能。使用相同的客戶端代碼，可以在Milvus Lite中快速演示少于百萬個向量，或者在單臺機器上托管Milvus Docker容器的小規模應用程序，最終在Kubernetes上進行大規模生產部署。
Milvus Lite支持Ubuntu和MacOS操作系統。
要設置Milvus Lite，請在終端中運行以下命令：
pip install "pymilvus>=2.4.2"您可以按照以下方式連接到Milvus Lite：
from pymilvus import MilvusClient
client = MilvusClient("milvus_demo.db")本頁面介紹如何使用Docker Compose在Docker中啟動Milvus實例。
需要安裝Docker，并查看硬件和軟件要求。
Milvus在其存儲庫中提供了一個Docker Compose配置文件。要使用Docker Compose安裝Milvus，只需運行以下命令：
$ wget https://github.com/milvus-io/milvus/releases/download/v{{var.milvus_release_version}}/milvus-standalone-docker-compose.yml -O docker-compose.yml
$ sudo docker compose up -d本主題描述了如何通過批量加載在Milvus中導入數據。
您可以按行或列準備數據文件。
將數據導入到集合中。
在插入數據后，下一步是在Milvus集合中執行相似性搜索。
有各種搜索類型可滿足不同需求，包括基本搜索、過濾搜索、范圍搜索和分組搜索。
在發送search請求時，您可以提供一個或多個向量值，表示您的查詢嵌入，以及一個limit值，指示要返回的結果數量。
單向量搜索是Milvus中最簡單的search操作形式，旨在找到與給定查詢向量最相似的向量。
過濾搜索對向量搜索應用標量過濾器，允許您根據特定條件細化搜索結果。
like運算符通過評估包括前綴、中綴和后綴在內的模式來增強字符串搜索。
范圍搜索允許您查找與查詢向量在指定距離范圍內的向量。
在Milvus中，通過特定字段進行分組搜索可以避免結果中相同字段項的冗余。
問：Milvus支持哪些編程語言？
答：Milvus支持Python、Java、NodeJS、Go、Restful API、C#和Rust等多種編程語言。
問：Milvus如何處理大規模數據集？
答：Milvus通過其定制的分布式架構輕松擴展，可容納從小型數據集到超過100億向量的集合。
問：Milvus如何實現向量相似性搜索？
答：Milvus通過近似最近鄰（ANN）搜索算法加速搜索過程，支持多種相似性度量標準，包括余弦相似度、歐氏距離（L2）、內積（IP）、漢明距離和Jaccard相似度等。
問：Milvus有哪些應用場景？
答：Milvus可以應用于圖像相似性搜索、視頻相似性搜索、音頻相似性搜索、推薦系統、問答系統、DNA序列分類和文本搜索引擎等多種場景。
問：如何在本地運行Milvus？
答：可以在本地運行Milvus Lite，或者使用Docker Compose在Docker中啟動Milvus實例。
