FLAT

FLAT 索引是最简单、最直接的浮点向量索引和搜索方法之一。它依赖于一种 "蛮力 "方法，即直接将每个查询向量与数据集中的每个向量进行比较，而无需任何高级预处理或数据结构。这种方法保证了准确性，由于对每个潜在匹配都进行了评估，因此可提供 100% 的召回率。

不过，这种穷举式搜索方法也有代价。FLAT 索引是最慢的索引选项，因为每次查询都要对数据集进行一次全面扫描。因此，它并不适合海量数据集的环境，因为在这种环境中，性能是个问题。FLAT 索引的主要优点是简单可靠，因为它不需要训练或复杂的参数配置。

建立索引

要在 Milvus 中的向量字段上建立 FLAT 索引，请使用 add_index() 方法，为索引指定 index_type 和 metric_type 参数。

Python

Python

from pymilvus import MilvusClient

client = MilvusClient(uri="http://localhost:19530")
index_params = client.prepare_index_params()
index_params.add_index(
    field_name="your_vector_field_name",
    index_type="FLAT",
    index_name="vector_index",
    metric_type="L2",
    params={},
)

client.create_index(
    collection_name="your_collection_name",
    index_params=index_params,
)

Java

Java

import io.milvus.v2.common.IndexParam;
import io.milvus.v2.service.index.request.CreateIndexReq;
import java.util.List;
import java.util.Collections;

IndexParam indexParam = IndexParam.builder()
    .fieldName("your_vector_field_name")
    .indexName("vector_index")
    .indexType(IndexParam.IndexType.FLAT)
    .metricType(IndexParam.MetricType.L2)
    .build();

client.createIndex(CreateIndexReq.builder()
    .collectionName("your_collection_name")
    .indexParams(Collections.singletonList(indexParam))
    .build());

Node.js

JavaScript

await client.createIndex({
  "collection_name": "your_collection_name",
  "field_name": "your_vector_field_name",
  "index_name": "vector_index",
  "index_type": "FLAT",
  "metric_type": "L2"
});

Go

Go

idx := index.NewGenericIndex("", map[string]string{
    "index_type": "FLAT",
    "metric_type": "L2",
})
task, err := client.CreateIndex(
    ctx,
    milvusclient.NewCreateIndexOption(
        "your_collection_name",
        "your_vector_field_name",
        idx,
    ).WithIndexName("vector_index"),
)
if err != nil {
    panic(err)
}
if err := task.Await(ctx); err != nil {
    panic(err)
}

cURL

Shell

curl --request POST \
  --url "http://localhost:19530/v2/vectordb/indexes/create" \
  --header "Authorization: Bearer root:Milvus" \
  --header "Content-Type: application/json" \
  --data '{
  "collectionName": "your_collection_name",
  "indexParams": [
    {
      "fieldName": "your_vector_field_name",
      "indexName": "vector_index",
      "indexType": "FLAT",
      "metricType": "L2"
    }
  ]
}'

在此配置中

• index_type：要建立的索引类型。在本例中，将值设为 FLAT。

• metric_type：用于计算向量间距离的方法。支持的值包括 COSINE,L2, 和 IP。有关详细信息，请参阅 度量类型。

• params:FLAT 索引不需要额外参数。

配置好索引参数后，可直接使用 create_index() 方法或在 create_collection 方法中传递索引参数来创建索引。详情请参阅 创建 Collection。

在索引上搜索

建立索引并插入实体后，就可以在索引上执行相似性搜索。

Python

res = MilvusClient.search(
    collection_name="your_collection_name", # Collection name
    anns_field="vector_field", # Vector field name
    data=[[0.1, 0.2, 0.3, 0.4, 0.5]],  # Query vector
    limit=3,  # TopK results to return
    search_params={"params": {}}  # No additional parameters required for FLAT
)

索引参数

对于 FLAT 索引，在创建索引或搜索过程中都不需要额外的参数。