【Milvus】主要数据类型（向量类型和标量类型）列举和说明

最新推荐文章于 2025-04-28 11:25:42 发布
最新推荐文章于 2025-04-28 11:25:42 发布
阅读量1.1k 收藏 11
点赞数 15
分类专栏： Milvus | Chroma 文章标签： milvus 向量类型 标量类型 schema DataType FieldSchema Field
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013172930/article/details/147521273
版权

Milvus 向量数据库支持多种数据类型，用于存储向量及其关联的元数据。这些数据类型用于定义集合（Collection）的 schema，涵盖向量字段和标量字段，适用于不同的应用场景，如语义搜索、推荐系统和图像检索等。以下是对 Milvus 支持的数据类型的全面介绍，包括每种类型的定义、用途、限制和示例，基于 Milvus 2.x（截至 2025 年 4 月的最新版本）。

1. 概述

在 Milvus 中，集合的 schema 由多个字段（Field）组成，每个字段对应一种数据类型。字段分为两类：

  • 向量字段：存储高维向量，用于相似性搜索。
  • 标量字段：存储元数据（如 ID、标签、时间戳），用于过滤和查询。

Milvus 支持以下主要数据类型：

  • 向量类型：FLOAT_VECTOR、BINARY_VECTOR、FLOAT16_VECTOR、BFLOAT16_VECTOR、SPARSE_FLOAT_VECTOR
  • 标量类型：BOOL、INT8、INT16、INT32、INT64、FLOAT、DOUBLE、VARCHAR、JSON、ARRAY

以下逐一介绍每种数据类型，包括其定义、用途和使用示例。

2. 向量数据类型

向量数据类型用于存储高维向量，通常由机器学习模型（如 BERT、ResNet）生成，用于表示文本、图像、音频等数据的嵌入。

(1) FLOAT_VECTOR

  • 定义：存储 32 位浮点数（float32）向量，每个维度是一个浮点值。
  • 用途：最常用的向量类型，适合大多数机器学习模型生成的嵌入（如 Sentence-BERT、CLIP）。
  • 限制：
    • 维度范围：1 到 32,768。
    • 每个向量占用 dimension * 4 字节。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=False),
  	FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="FLOAT_VECTOR example")

  # 创建集合
  client.create_collection(collection_name="float_vector_example", schema=schema)

  # 插入数据
  data = [
  	{"id": i, "vector": [float(i) / 100 for _ in range(128)]}
  	for i in range(10)
  ]
  client.insert(collection_name="float_vector_example", data=data)

(2) BINARY_VECTOR

  • 定义：存储二进制向量，每个维度是 1 位（bit），每 8 位存储为一个字节。
  • 用途：适合某些高效的嵌入模型（如二值化特征），或需要低存储成本的场景。
  • 限制：
    • 维度范围：1 到 32,768。
    • 维度必须是 8 的倍数（因为按字节存储）。
    • 每个向量占用 dimension / 8 字节。
    • 仅支持 HAMMING（汉明距离）、JACCARD 和 TANIMOTO 距离度量。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType
  import random

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="vector", dtype=DataType.BINARY_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="BINARY_VECTOR example")

  # 创建集合
  client.create_collection(collection_name="binary_vector_example", schema=schema)

  # 插入数据
  data = [
  	{"id": i, "vector": [random.randint(0, 1) for _ in range(128)]}
  	for i in range(10)
  ]
  client.insert(collection_name="binary_vector_example", data=data)

(3) FLOAT16_VECTOR

  • 定义：存储 16 位浮点数（float16）向量，精度低于 float32。
  • 用途：适合内存受限的场景，减少存储和计算开销，常用于移动设备或大规模数据集。
  • 限制：
    • 维度范围：1 到 32,768。
    • 每个向量占用 dimension * 2 字节。
    • 精度较低，可能影响搜索质量。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="vector", dtype=DataType.FLOAT16_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="FLOAT16_VECTOR example")

  # 创建集合
  client.create_collection(collection_name="float16_vector_example", schema=schema)

(4) BFLOAT16_VECTOR

  • 定义：存储 16 位脑浮点数（bfloat16）向量，保留更大的指数范围，牺牲部分精度。
  • 用途：适合深度学习模型（如 Transformer），在 GPU 上性能优异。
  • 限制：
    • 维度范围：1 到 32,768。
    • 每个向量占用 dimension * 2 字节。
    • 硬件支持要求（如 GPU 兼容 bfloat16）。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="vector", dtype=DataType.BFLOAT16_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="BFLOAT16_VECTOR example")

  # 创建集合
  client.create_collection(collection_name="bfloat16_vector_example", schema=schema)

(5) SPARSE_FLOAT_VECTOR

  • 定义：存储稀疏浮点向量，仅保存非零值及其索引，格式为 {index: value}。
  • 用途：适合稀疏数据，如 BM25 词频向量或稀疏嵌入，显著减少存储空间。
  • 限制：
    • 维度范围：无固定上限（取决于非零值数量）。
    • 仅支持 IP（内积）距离度量。
    • 需要稀疏索引（如 SPARSE_INVERTED_INDEX）。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="vector", dtype=DataType.SPARSE_FLOAT_VECTOR)
  ]
  schema = CollectionSchema(fields=fields, description="SPARSE_FLOAT_VECTOR example")

  # 创建集合
  client.create_collection(collection_name="sparse_vector_example", schema=schema)

  # 插入数据
  data = [
  	{"id": 0, "vector": {0: 0.1, 100: 0.5}},  # 稀疏向量
  	{"id": 1, "vector": {1: 0.2, 200: 0.3}}
  ]
  client.insert(collection_name="sparse_vector_example", data=data)

3. 标量数据类型

标量数据类型用于存储元数据，类似于传统数据库中的字段，支持过滤和查询操作。

(1) BOOL

  • 定义：存储布尔值（True 或 False）。
  • 用途：表示二元状态，如是否有效、是否标记等。
  • 限制：占用 1 字节。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="is_active", dtype=DataType.BOOL),
  	FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="BOOL example")

  # 创建集合
  client.create_collection(collection_name="bool_example", schema=schema)

  # 插入数据
  data = [{"id": 0, "is_active": True, "vector": [0.1] * 128}]
  client.insert(collection_name="bool_example", data=data)

(2) INT8

  • 定义：存储 8 位有符号整数（-128 到 127）。
  • 用途：适合存储小型整数，如类别编号。
  • 限制：占用 1 字节。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="category", dtype=DataType.INT8),
  	FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="INT8 example")

  # 创建集合
  client.create_collection(collection_name="int8_example", schema=schema)

  # 插入数据
  data = [{"id": 0, "category": 1, "vector": [0.1] * 128}]
  client.insert(collection_name="int8_example", data=data)

(3) INT16

  • 定义：存储 16 位有符号整数（-32,768 到 32,767）。
  • 用途：适合中等范围的整数，如计数器。
  • 限制：占用 2 字节。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="count", dtype=DataType.INT16),
  	FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="INT16 example")

  # 创建集合
  client.create_collection(collection_name="int16_example", schema=schema)

(4) INT32

  • 定义：存储 32 位有符号整数（-2,147,483,648 到 2,147,483,647）。
  • 用途：适合较大的整数，如时间戳、计数。
  • 限制：占用 4 字节。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="timestamp", dtype=DataType.INT32),
  	FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="INT32 example")

  # 创建集合
  client.create_collection(collection_name="int32_example", schema=schema)

(5) INT64

  • 定义：存储 64 位有符号整数（-2^63 到 2^63-1）。
  • 用途：常用作主键（Primary Key）或唯一标识符。
  • 限制：占用 8 字节。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
  	FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="INT64 example")

  # 创建集合
  client.create_collection(collection_name="int64_example", schema=schema)

  # 插入数据
  data = [{"vector": [0.1] * 128}]  # id 自动生成
  client.insert(collection_name="int64_example", data=data)

(6) FLOAT

  • 定义：存储 32 位浮点数（float32）。
  • 用途：表示浮点值，如价格、分数。
  • 限制：占用 4 字节。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="price", dtype=DataType.FLOAT),
  	FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="FLOAT example")

  # 创建集合
  client.create_collection(collection_name="float_example", schema=schema)

  # 插入数据
  data = [{"id": 0, "price": 99.99, "vector": [0.1] * 128}]
  client.insert(collection_name="float_example", data=data)

(7) DOUBLE

  • 定义：存储 64 位浮点数（float64）。
  • 用途：适合高精度浮点计算，如科学数据。
  • 限制：占用 8 字节。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="precision", dtype=DataType.DOUBLE),
  	FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="DOUBLE example")

  # 创建集合
  client.create_collection(collection_name="double_example", schema=schema)

(8) VARCHAR

  • 定义：存储变长字符串。
  • 用途：存储文本数据，如名称、描述、标签。
  • 限制：
    • 最大长度：1 到 65,535 字节（需在创建时指定）。
    • 支持 UTF-8 编码。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="name", dtype=DataType.VARCHAR, max_length=255),
  	FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="VARCHAR example")

  # 创建集合
  client.create_collection(collection_name="varchar_example", schema=schema)

  # 插入数据
  data = [{"id": 0, "name": "item_001", "vector": [0.1] * 128}]
  client.insert(collection_name="varchar_example", data=data)

(9) JSON

  • 定义：存储 JSON 格式的键值对，支持动态字段。
  • 用途：适合存储结构化但灵活的元数据，如属性字典。
  • 限制：占用空间取决于 JSON 内容。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="attributes", dtype=DataType.JSON),
  	FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="JSON example")

  # 创建集合
  client.create_collection(collection_name="json_example", schema=schema)

  # 插入数据
  data = [
  	{"id": 0, "attributes": {"color": "red", "size": "large"}, "vector": [0.1] * 128}
  ]
  client.insert(collection_name="json_example", data=data)

(10) ARRAY

  • 定义：存储固定类型的元素数组（如 INT32 数组、VARCHAR 数组）。
  • 用途：适合存储列表数据，如标签列表、分数序列。
  • 限制：
    • 元素类型需一致（如全 INT32 或全 VARCHAR）。
    • 最大长度需在创建时指定。
  • 示例：
      from pymilvus import MilvusClient
  from pymilvus import CollectionSchema, FieldSchema, DataType

  client = MilvusClient(uri="http://localhost:19530")

  # 定义 schema
  fields = [
  	FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
  	FieldSchema(name="tags", dtype=DataType.ARRAY, element_type=DataType.VARCHAR, max_capacity=10, max_length=50),
  	FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128)
  ]
  schema = CollectionSchema(fields=fields, description="ARRAY example")

  # 创建集合
  client.create_collection(collection_name="array_example", schema=schema)

  # 插入数据
  data = [
  	{"id": 0, "tags": ["tag1", "tag2"], "vector": [0.1] * 128}
  ]
  client.insert(collection_name="array_example", data=data)

4. 字段属性与约束

在定义字段时，可以设置以下属性：

  • is_primary：是否为主键（仅限 INT64 或 VARCHAR），用于唯一标识记录。
  • auto_id：是否自动生成主键（仅限 INT64 或 VARCHAR）。
  • params：字段特定参数，如：
    • 向量字段：dimension（维度）。
    • VARCHAR：max_length（最大长度）。
    • ARRAY：element_type（元素类型）、max_capacity（最大元素数）。

示例（带约束的集合）：

from pymilvus import MilvusClient
from pymilvus import CollectionSchema, FieldSchema, DataType

client = MilvusClient(uri="http://localhost:19530")

# 定义 schema
fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
    FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128),
    FieldSchema(name="name", dtype=DataType.VARCHAR, max_length=255),
    FieldSchema(name="attributes", dtype=DataType.JSON)
]
schema = CollectionSchema(fields=fields, description="Complex example")

# 创建集合
client.create_collection(collection_name="complex_example", schema=schema)

5. 使用场景与选择建议

  • 向量类型选择：
    • FLOAT_VECTOR：默认选择，适合大多数 NLP 和 CV 任务。
    • BINARY_VECTOR：用于二值化特征或低存储场景。
    • FLOAT16_VECTOR/BFLOAT16_VECTOR：用于内存优化或特定硬件加速。
    • SP roadside_float_vector：用于稀疏数据，如关键词搜索。
  • 标量类型选择：
    • INT64：作为主键或大整数。
    • VARCHAR：存储文本或标签。
    • JSON：存储灵活的结构化数据。
    • ARRAY：存储列表或序列。
    • BOOL/FLOAT：存储简单状态或数值。

6. 注意事项

  • 向量维度：插入的向量维度必须与集合定义一致。
  • 存储开销：
    • FLOAT_VECTOR 占用较多空间，考虑 FLOAT16_VECTOR 或 SPARSE_FLOAT_VECTOR 优化。
    • JSON 和 ARRAY 可能增加存储复杂性。
  • 过滤支持：标量字段支持过滤表达式（如 category == 'cat_0'），但 JSON 和 ARRAY 的过滤功能可能有限。
  • 兼容性：确保 pymilvus 版本（如 2.5.0）与 Milvus 服务版本兼容。

7. 总结

Milvus 支持丰富的向量和标量数据类型，满足多样化的存储和查询需求。向量类型（如 FLOAT_VECTOR、SPARSE_FLOAT_VECTOR）用于相似性搜索，标量类型（如 INT64、VARCHAR、JSON）用于元数据管理和过滤。选择合适的数据类型取决于应用场景（如存储空间、精度要求、查询性能）。

【开源向量数据库】Milvus简介
IT古董
02-17 1455
Milvus 是一个开源、高性能、可扩展的向量数据库，专门用于存储和检索高维向量数据。它支持近似最近邻搜索（ANN），适用于图像检索、自然语言处理（NLP）、推荐系统、异常检测等 AI 应用场景。
企业级RAG落地避坑指南：从0到1拆解全流程优化方案，解锁高效生产级应用！
天蓝色的程序员
03-31 754
‌文档切片不科学导致信息丢失？向量模型选型不当影响召回精度？大模型调参混乱难以稳定输出？本文基于百家企业落地验证，‌‌，直击开发瓶颈，提供‌‌！‌‌✅ 从Token切片到语义切片的‌‌✅ Embedding选型与向量数据库的‌‌✅ 检索前问题改写&标签增强、检索后Rerank的‌‌✅ 大模型Prompt工程与参数调优的‌‌‌‌：🔹 企业技术负责人：构建高可用RAG架构，降低试错成本🔹 开发者：快速定位问题环节，掌握全链路调优方法论。
Milvus 二
weixin_61468920的博客
06-11 1362
此外，Milvus还支持混合搜索，即可以在一个查询中同时处理向量数据和标量数据。Milvus通过支持多种向量和标量数据类型，以及混合搜索功能，为用户提供了强大的数据处理和分析能力。在实际应用中，用户可以根据具体的数据特征和业务需求选择合适的向量维度。例如，在使用ResNet50模型时，由于其产生的向量维度不会特别大，因此更加方便使用Milvus进行存储和检索。需要注意的是，高维度的向量虽然能够表示更复杂的特征空间，但也会带来更高的计算复杂度和存储需求。在创建集合时，用户可以通过设置参数来指定向量的维度。
Milvus向量数据库操作的详细输入输出参数说明及示例
保持热爱。
03-12 822
以下将详细介绍 Milvus 向量数据库中保存（插入）、删除、查询（query和search）操作的输入输出参数，并给出代码示例。
milvus高性能向量数据库学习笔记
qq_38796548的博客
10-26 6366
文章目录一.milvus是什么二.安装milvus三.使用milvus四.总结 一.milvus是什么 milvus 是一款开源的向量相似度搜索引擎，支持针对 TB 级向量的增删改操作和近实时查询，具有高度灵活、稳定可靠以及高速查询等特点。milvus 还可以对标量数据进行过滤，进一步提高了召回率，增强了搜索的灵活性。 在服务端，milvus 由 Milvus Core 和 Meta Store 两部分组成： Milvus Core 存储与管理向量和标量数据。 Meta Store 存储与管理 SQLit
Milvus 向量数据库介绍及使用
小毕超博客
03-21 8067
Milvus 于 2019 年创建，其目标只有一个：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。它具备高可用、高性能、易拓展的特点，用于海量向量数据的实时召回。
向量数据库:Milvus
ResumeProject的博客
01-09 2586
Milvus由Go(63.4%),Python(17.0%),C++(16.6%),Shell(1.3%)等语言开发开发，支持python，go，java接口(C++,Rust,c#等语言还在开发中)，支持单机、集群部署，支持CPU、GPU运算。。。
【Milvus】使用Milvus向量库过程中遇到的问题——代码无法对标量构建索引
qq_41173370的博客
09-20 656
在使用Milvus向量库时，创建collection后，希望通过对字段创建索引，以缩减相似度检索时所用时间，但标量无法创建索引，按照attu界面显示的索引类型要求（varchar类型采用索引类型Tried，数值类型采用索引类型sort），于创建中创建，依然报错，显示不可创建。
向量数据库检索方式的对比
03-29
3. **多模态检索**：支持不同数据类型（文本、图像）的向量搜索，可能Milvus或Weaviate支持。 4. **SQL集成检索**：如PGVector，在SQL查询中嵌入向量搜索，便于结合结构化数据。 然后，对比各数据库的特点： - **...
Milvus 中，FieldSchema 的 dim 参数和索引参数中的 “nlist“ 的区别
malingyu的专栏
12-24 941
在 Milvus 中，FieldSchema 的 dim 参数和索引参数中的 "nlist" 是两个完全不同的概念，它们分别用于不同的目的。不同的索引类型适用于不同的场景，选择合适的索引类型可以显著提高查询性能。查询性能："nlist" 的值越大，索引的粒度越细，查询精度越高，但查询速度可能会变慢，因为需要搜索更多的簇。"nlist"：定义索引的粒度，决定将向量空间划分为多少个簇，影响查询性能、索引构建时间和内存占用。内存占用：较大的 nlist 值会增加索引的内存占用，因为需要存储更多的倒排文件。
认识 Milvus 向量数据库
kcarly的专栏
01-17 1508
Milvus 支持多种索引类型，每种索引类型都有其特定的应用场景和优缺点。选择合适的索引类型需要根据具体的应用需求、数据特性以及硬件资源来决定。例如，FLAT 索引适用于小规模数据集和高召回率需求的场景；IVF_FLAT 和 IVF_SQ8 更适合资源受限的场景；Faiss更适合需要高性能和高精度的相似性搜索场景，特别是在大规模数据集上表现优异。Milvus提供了强大的分布式架构和多模态支持，适合生产环境中的大规模数据处理和实时查询需求。Annoy。
一篇文章带你学会向量数据库Milvus（二）
2401_85782938的博客
06-21 3375
如果我们要使用自定义索引，请在index_type参数中指定特定索引类型。ini复制代码 index_params = client.create_index_params() # 准备一个 IndexParams 对象field_name="scalar_2", # 标量字段名称index_type="INVERTED", # 明确索引类型index_name="inverted_index" # 索引的名称collection_name="demo_v4", # 将索引添加到集合中。
牛客多校第六场 Binary Vector（线性代数，线性相关，概率）
tomjobs的博客
07-28 402
题意： f(n)f(n)f(n)代表生成nnn个nnn维向量线性不相关的概率。 求f(1)  xor  f(2)  xor  f(3)...  xor  f(n)f(1)\;xor\;f(2)\;xor\;f(3)...\;xor\;f(n)f(1)xorf(2)xorf(3)...xorf(n)的值 思路： 线代就考试的时候应付了一下，感觉还是很重要的。 本题的加法是异或，其实没有影响。向量矩阵因为高斯消元以后每一维度的数只出现在一个行上，不需要考虑相加异或。 线性相关的定义为存在一组不全为0的k满足下.
Milvus 标量字段使用指南：从基础类型到高级特性详解
最新发布
佑瞻的博客
04-28 883
python运行# 连接Milvus服务# 创建模式enable_dynamic_fields=True # 允许动态字段，可选# 添加带默认值的字符串字段（允许空值）default_value="Unknown" # 未提供值时使用默认值# 添加无默认值的字符串字段（允许空值）# 添加主键和向量字段python运行# 添加字符串数组（最大10个元素，每个元素最长65535字符）max_length=65535, # 仅字符串数组需要# 添加整数数组（最大5个元素）
向量数据库Milvus详解
人工智能
01-15 845
什么是向量数据库？ 在现实世界中，并非所有数据都可以整齐地放到行和列中。在处理图像、视频和自然语言等复杂的非结构化数据时尤其如此。这就是向量数据库的用武之地。 向量数据库是一种以高维向量的形式来存储数据的数据库，这些向量本质上是表示一个对象的特征或特性的数字列表或者叫数组。每个向量对应一个唯一的实体，例如一段文本、一张图像或一段视频。 但为什么要使用向量呢？神奇之处在于它们捕捉语义和相似性的能力。通过将数据表示为向量，我们可以在数学计算的层面比较它们并确定它们的相似或不不相似的程度。这使我们能够执行
一篇文章带你学会向量数据库Milvus
qkh1234567的博客
08-13 6928
如果我们要使用自定义索引，请在index_type参数中指定特定索引类型。index_params = client.create_index_params() # 准备一个 IndexParams 对象​field_name="scalar_2", # 标量字段名称index_type="INVERTED", # 明确索引类型index_name="inverted_index" # 索引的名称​collection_name="demo_v4", # 将索引添加到集合中INVERTED。
Matlab常用函数
Trans1ent的博客
01-05 511
Matlab常用函数记录
基于BinaryVector优化的KModes算法
u010215609的专栏
07-16 1463
这里将记录一下，如何快速的开发一个针对binary vector进行优化的KMode聚类算法。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

彬彬侠

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值