GPU_IVF_PQ

GPU_IVF_PQ索引以IVF_PQ概念为基础，将反向文件聚类与乘积量化（PQ）相结合，后者将高维向量分解为更小的子空间并对其进行量化，从而实现高效的相似性搜索。GPU_IVF_PQ 专为 GPU 环境设计，利用并行处理加速计算并有效处理大规模向量数据。有关基础概念的更多信息，请参阅IVF_PQ。

建立索引

要在 Milvus 中的向量场上建立GPU_IVF_PQ 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_PQ", # 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={
        "m": 4, # Number of sub-vectors to split eahc vector into
    } # 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_PQ 。

• metric_type:用于计算向量间距离的方法。支持的值包括COSINE,L2, 和IP 。有关详情，请参阅公制类型。

• params:用于建立索引的附加配置选项。

  • m:将向量分割成的子向量个数。

  要了解GPU_IVF_PQ 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", # Vector field name
    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_PQ 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
IVF	nlist	在索引创建过程中使用 k-means 算法创建的簇数。	类型： 整数整数范围：[1, 65536] 默认值：128	nlist 值越大，创建的簇越精细，召回率越高，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].
PQ	m	在量化过程中将每个高维向量分成的子向量数（用于量化）。	类型： 整数整数范围： [1, 65536[1, 65536] 默认值：无	m m 必须是向量维数(D) 的除数，以确保正确分解。通常推荐的值是m = D/2。 在大多数情况下，我们建议在此范围内设置一个值：[D/8，D]。
	nbits	用于以压缩形式表示每个子向量中心点索引的比特数。每个编码本将包含2个比特的中心点。例如，如果nbits 设置为 8，则每个子向量将由一个 8 位的中心点索引表示。这样，该子向量的编码本中就有28（256）个可能的中心点。	类型： 整数整数[1, 24] 默认值：8	nbits 值越大，编码本越大，可能会更精确地表示原始向量。在大多数情况下，我们建议在此范围内设置一个值：[1, 16].
	cache_dataset_on_device	决定是否在 GPU 内存中缓存原始数据集。可能的值 "true":缓存原始数据集，通过细化搜索结果提高召回率。 "false":不缓存原始数据集，以节省 GPU 内存。	类型： 字符串字符串范围["true","false"] 默认值："false"	将其设置为"true" 可通过细化搜索结果提高召回率，但会占用更多 GPU 内存。设置为"false" 可节省 GPU 内存。

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
IVF	nprobe	搜索候选集群的集群数。	类型： 整数整数范围[1，nlist］ 默认值：8	较高的值允许搜索更多的簇，通过扩大搜索范围提高召回率，但代价是增加查询延迟。设置nprobe 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值：[1，nlist]。