GPU_IVF_FLAT

GPU_IVF_FLAT索引是 IVF_FLAT 索引的 GPU 加速版本，专为 GPU 环境设计。它将向量数据划分为nlist 个聚类单元，并通过首先比较目标查询向量和每个聚类的中心来计算相似性。通过调整nprobe 参数，只搜索最有希望的簇，从而减少查询时间，同时保持准确性和速度之间的平衡。有关基础概念的更多信息，请参阅IVF_FLAT。

建立索引

要在 Milvus 中的向量场上建立GPU_IVF_FLAT 索引，请使用add_index() 方法，为索引指定index_type,metric_type, 以及附加参数。

from pymilvus import MilvusClient

# Prepare index building params
index_params = MilvusClient.prepare_index_params()

index_params.add_index(
    field_name="your_vector_field_name", # Name of the vector field to be indexed
    index_type="GPU_IVF_FLAT", # Type of the index to create
    index_name="vector_index", # Name of the index to create
    metric_type="L2", # Metric type used to measure similarity
    params={
        "nlist": 1024, # Number of clusters for the index
    } # Index building params
)

在此配置中

• index_type:要建立的索引类型。在本例中，将值设为GPU_IVF_FLAT 。

• metric_type:用于计算向量间距离的方法。有关详情，请参阅 "度量类型"。

• params:用于建立索引的其他配置选项。

  • nlist:划分数据集的簇数。

  要了解GPU_IVF_FLAT 索引可用的更多构建参数，请参阅索引构建参数。

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。有关详情，请参阅创建 Collections。

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。

search_params = {
    "params": {
        "nprobe": 10, # Number of clusters to search
    }
}

res = MilvusClient.search(
    collection_name="your_collection_name", # Collection name
    anns_field="vector_field",
    data=[[0.1, 0.2, 0.3, 0.4, 0.5]],  # Query vector
    limit=3,  # TopK results to return
    search_params=search_params
)

在此配置中

• params:在索引上搜索的其他配置选项。

  • nprobe:要搜索的群集数量。

  要了解GPU_IVF_FLAT 索引可用的更多搜索参数，请参阅特定于索引的搜索参数。

索引参数

本节概述了用于建立索引和在索引上执行搜索的参数。

索引建立参数

下表列出了建立索引时可在params 中配置的参数。

参数	说明	值范围	调整建议
nlist	在建立索引时使用 K-means 算法创建的簇的数量。 每个簇由一个中心点表示，存储一个向量列表。增加该参数可减少每个簇中的向量数量，从而创建更小、更集中的分区。	类型： 整数整数范围：[1, 65536] 默认值：128	nlist 值越大，通过创建更精细的簇来提高召回率，但会增加索引构建时间。根据数据集大小和可用资源进行优化。 在大多数情况下，我们建议在此范围内设置值：[32, 4096].

特定于索引的搜索参数

下表列出了在索引上搜索时可在search_params.params 中配置的参数。

参数	说明	值范围	调整建议
nprobe	搜索候选集群的集群数。 数值越大，搜索的集群数越多，搜索范围越大，召回率越高，但代价是查询延迟增加。	类型： 整数整数[1，nlist］ 默认值：8	增加该值可提高召回率，但可能会减慢搜索速度。将nprobe 设置为与nlist 成比例，以平衡速度和准确性。 在大多数情况下，我们建议您在此范围内设置一个值：[1，nlist]。