计算向量之间的距离

本主题介绍了如何使用 Milvus 计算向量之间的距离。

Milvus 基于向量的距离计算搜索最相似的向量。反之，您也可以使用 Milvus 计算向量之间的距离，使用适合特定场景的距离度量。更多信息请参见相似度度量。

以下示例模拟了您想要计算集合中向量与其他向量之间距离的情况。

准备向量

准备用于计算的向量。

需计算的向量在向量类型和维度上必须一致。

vectors_left = {
    "ids": [0, 1], 
    "collection": "book", 
    "partition": "_default", 
    "field": "book_intro"
}
import random
external_vectors = [[random.random() for _ in range(2)] for _ in range(4)]
vectors_right = {"float_vectors": external_vectors}

// Node User Guide will be ready soon.

// GO User Guide will be ready soon.

// Java User Guide will be ready soon.

// CLI User Guide will be ready soon.

vectors_left='{
  "dim": 2,
  "ids": {
    "id_array": [1,2],
    "collection_name": "book",
    "partition_names": ["_default"],
    "field_name": "book_intro"
  }
}'
vectors_right='{
  "dim": 2,
  "vectors": [1,2,3,4,5,6,7,8] # The numbers in the list will be automatically split into four vectors. 
}'

以下是经过整理后的表格：

参数	描述	选项
`vectors_left` 和 `vectors_right`	运算符左边和右边的向量。字典格式，可表示为 `{"ids": [主键1，主键2，...主键n]，"collection": "collection_name"，"partition":"partition_name"，"field": "vector_field_name"}`，`{"float_vectors": [[1.0，2.0]，[3.0，4.0]，... [9.0，10.0]]}`，或 `{"bin_vectors": [b''，b'N'，... b'Ê']}`。	N/A
`ids`	集合中实体的主键列表。	N/A
`collection`	包含实体的集合名称。	N/A
`partition`	包含实体的分区名称。	N/A
`field`	集合中所需矢量字段的名称。	N/A
`float_vectors` 或 `bin_vectors`	矢量的类型。	N/A

参数	描述	选项
`dim`	向量的维度。	N/A
`id_array`	集合中实体的主键列表。	N/A
`collection_name`	包含实体的集合的名称。	N/A
`partition_names`	包含实体的分区的名称。	N/A
`field_name`	集合中所需矢量字段的名称。	N/A
`vectors`	目前仅支持浮点向量。	N/A

准备计算参数

指定用于计算的参数。

Python Java GO Node.js CLI Curl

params = {
    "metric": "IP", 
    "dim": 2
}

// Node User Guide will be ready soon.

// GO User Guide will be ready soon.

// Java User Guide will be ready soon.

// CLI User Guide will be ready soon.

params='[
  {"key": "metric", "value": "IP"}
]'

参数	描述	选项
`params`	计算参数。	N/A
`metric`	用于计算的度量类型。	对于浮点向量：`L2`（欧几里得距离）和`IP`（内积）。对于二进制向量：`JACCARD`（Jaccard距离）、`TANIMOTO`（Tanimoto距离）、`HAMMING`（Hamming距离）、`SUPERSTRUCTURE`（超级结构）和`SUBSTRUCTURE`（子结构）。
`dim`	向量的维度。	N/A

以下是经过整理后的表格：

参数	描述	选项
`metric`	用于计算的度量类型。对于浮点向量：`L2`（欧几里得距离）和`IP`（内积）。	对于浮点向量： - `L2`（欧几里得距离） - `IP`（内积）

加载集合 (Optional) Load collection

如果在Milvus中计算集合中的向量，必须先将集合加载到内存中。

Python Java GO Node.js CLI Curl

from pymilvus import Collection
collection = Collection("book")      # Get an existing collection.
collection.load()

await milvusClient.loadCollection({
  collection_name: "book",
});

err := milvusClient.LoadCollection(
  context.Background(),   // ctx
  "book",                 // CollectionName
  false                   // async
)
if err != nil {
  log.Fatal("failed to load collection:", err.Error())
}

milvusClient.loadCollection(
  LoadCollectionParam.newBuilder()
    .withCollectionName("book")
    .build()
);

load -c book

curl -X 'POST' 
  'http://localhost:9091/api/v1/collection/load' 
  -H 'accept: application/json' 
  -H 'Content-Type: application/json' 
  -d '{
    "collection_name": "book"
  }'

计算向量距离

根据提供的向量和参数计算向量之间的距离。

from pymilvus import utility
results = utility.calc_distance(
    vectors_left=vectors_left, 
    vectors_right=vectors_right, 
    params=params
)
print(results)

// Node User Guide will be ready soon.

// GO User Guide will be ready soon.

// Java User Guide will be ready soon.

// CLI User Guide will be ready soon.

curl -X 'GET' 
  'http://localhost:9091/api/v1/distance' 
  -H 'accept: application/json' 
  -H 'Content-Type: application/json' 
  -d "{
    "op_left": $vectors_left,
    "op_right": $vectors_right,
    "params": $params
  }"

Output:

{"status":{},"Array":{"FloatDist":{"data":[3,7,11,15,4,10,16,22]}}}

接下来是什么

了解更多 Milvus 的基本操作：

CLI 概述 (cli_overview)