跳到主要内容
版本：v2.6.x

稠密向量

稠密向量是广泛应用于机器学习和数据分析的数值数据表示法。它们由包含实数的数组组成，其中大部分或所有元素都不为零。与稀疏向量相比，稠密向量在同一维度上包含更多信息，因为每个维度都持有有意义的值。这种表示方法能有效捕捉复杂的模式和关系，使数据在高维空间中更容易分析和处理。稠密向量通常有固定的维数，从几十到几百甚至上千不等，具体取决于具体的应用和要求。

稠密向量主要用于需要理解数据语义的场景，如语义搜索和推荐系统。在语义搜索中，稠密向量有助于捕捉查询和文档之间的潜在联系，提高搜索结果的相关性。在推荐系统中，稠密向量有助于识别用户和项目之间的相似性，从而提供更加个性化的建议。

相关概述​

稠密向量通常表示为具有固定长度的浮点数数组，如[0.2, 0.7, 0.1, 0.8, 0.3, ..., 0.5] 。这些向量的维度通常从数百到数千不等，如 128、256、768 或 1024。每个维度都能捕捉对象的特定语义特征，通过相似性计算使其适用于各种场景。

Dense Vector稠密向量

上图展示了稠密向量在二维空间中的表现形式。虽然实际应用中的稠密向量通常具有更高的维度，但这种二维插图有效地传达了几个关键概念：

  • 多维表示：每个点代表一个概念对象（如Milvus、向量数据库、检索系统等），其位置由其维度值决定。

  • **语义关系：**点之间的距离反映了概念之间的语义相似性。距离较近的点表示语义关联度较高的概念。

  • 聚类效应：相关概念（如Milvus、向量数据库和检索系统）在空间中的位置相互靠近，形成语义聚类。

下面是一个代表文本"Milvus is an efficient vector database" 的真实稠密向量示例：

[
    -0.013052909,
    0.020387933,
    -0.007869,
    -0.11111383,
    -0.030188112,
    -0.0053388323,
    0.0010654867,
    0.072027855,
    // ... more dimensions
]

稠密向量可使用各种嵌入模型生成，如用于图像的 CNN 模型（如ResNet、VGG）和用于文本的语言模型（如BERT、Word2Vec）。这些模型将原始数据转化为高维空间中的点，捕捉数据的语义特征。此外，Milvus 还提供便捷的方法，帮助用户生成和处理稠密向量，详见 Embedding。

一旦数据被向量化，就可以存储在 Milvus 中进行管理和向量检索。下图显示了基本流程。

Use Dense Vector使用稠密向量

说明

除了稠密向量，Milvus 还支持稀疏向量和二进制向量。稀疏向量适用于基于特定术语的精确匹配，如关键词搜索和术语匹配，而二进制向量常用于高效处理二进制化数据，如图像模式匹配和某些散列应用。更多信息，请参阅二进制向量和稀疏向量。

使用稠密向量​

添加向量字段​

要在 Milvus 中使用稠密向量，首先要在创建 Collection 时定义一个用于存储稠密向量的向量字段。这一过程包括

  1. 将datatype 设置为支持的稠密向量数据类型。有关支持的稠密向量数据类型，请参阅数据类型。

  2. 使用dim 参数指定稠密向量的维数。

在下面的示例中，我们添加了一个名为dense_vector 的向量字段来存储稠密向量。字段的数据类型为FLOAT_VECTOR ，维数为4 。

from pymilvus import MilvusClient, DataType

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

schema = client.create_schema(
    auto_id=True,
    enable_dynamic_fields=True,
)

schema.add_field(field_name="pk", datatype=DataType.VARCHAR, is_primary=True, max_length=100)
schema.add_field(field_name="dense_vector", datatype=DataType.FLOAT_VECTOR, dim=4)

支持的稠密向量字段数据类型：

| 数据类型

|

描述

| | --- | --- | |

FLOAT_VECTOR

|

存储 32 位浮点数，常用于表示科学计算和机器学习中的实数。非常适合需要高精度的场景，例如区分相似向量。

| |

FLOAT16_VECTOR

|

存储 16 位半精度浮点数，用于深度学习和 GPU 计算。在精度要求不高的情况下，如推荐系统的低精度召回阶段，它可以节省存储空间。

| |

BFLOAT16_VECTOR

|

存储 16 位脑浮点（bfloat16）数，提供与 Float32 相同的指数范围，但精度有所降低。适用于需要快速处理大量向量的场景，如大规模图像检索。

| |

INT8_VECTOR

|

存储向量，其每个维度的单个元素都是 8 位整数（int8），每个元素的范围为 -128 到 127。INT8_VECTOR 专为量化深度学习模型（如 ResNet、EfficientNet）而设计，可减少模型大小并加快推理速度，同时将精度损失降到最低。 注意：此向量类型仅支持 HNSW 索引。

|

为向量字段设置索引参数​

为了加速语义搜索，必须为向量字段创建索引。索引可以大大提高大规模向量数据的检索效率。

index_params = client.prepare_index_params()

index_params.add_index(
    field_name="dense_vector",
    index_name="dense_vector_index",
    index_type="AUTOINDEX",
    metric_type="IP"
)

在上面的示例中，使用AUTOINDEX 索引类型为dense_vector 字段创建了名为dense_vector_index 的索引。metric_type 设置为IP ，表示将使用内积作为距离度量。

Milvus 提供多种索引类型，以获得更好的向量搜索体验。AUTOINDEX 是一种特殊的索引类型，旨在平滑向量搜索的学习曲线。有很多索引类型可供您选择。详情请参阅 xxx。

Milvus 支持其他公制类型。更多信息，请参阅公制类型。

创建 Collection​

完成稠密向量和索引参数设置后，就可以创建包含稠密向量的 Collection。下面的示例使用create_collection 方法创建了一个名为my_collection 的 Collection。

client.create_collection(
    collection_name="my_collection",
    schema=schema,
    index_params=index_params
)

插入数据​

创建 Collection 后，使用insert 方法添加包含稠密向量的数据。确保插入的稠密向量的维度与添加稠密向量字段时定义的dim 值相匹配。

data = [
    {"dense_vector": [0.1, 0.2, 0.3, 0.7]},
    {"dense_vector": [0.2, 0.3, 0.4, 0.8]},
]

client.insert(
    collection_name="my_collection",
    data=data
)

基于稠密向量的语义搜索是 Milvus 的核心功能之一，可以根据向量之间的距离快速找到与查询向量最相似的数据。要执行相似性搜索，请准备好查询向量和搜索参数，然后调用search 方法。

search_params = {
    "params": {"nprobe": 10}
}

query_vector = [0.1, 0.2, 0.3, 0.7]

res = client.search(
    collection_name="my_collection",
    data=[query_vector],
    anns_field="dense_vector",
    search_params=search_params,
    limit=5,
    output_fields=["pk"]
)

print(res)

# Output
# data: ["[{'id': '453718927992172271', 'distance': 0.7599999904632568, 'entity': {'pk': '453718927992172271'}}, {'id': '453718927992172270', 'distance': 0.6299999952316284, 'entity': {'pk': '453718927992172270'}}]"]

有关相似性搜索参数的更多信息，请参阅基本 ANN 搜索。