跳到主要内容

FLAT

FLAT index 是用于索引和搜索浮点向量最简单、最直接的方法之一。它依赖于暴力搜索方法，其中每个查询向量直接与数据集中的每个向量进行比较，没有任何高级预处理或数据结构化。这种方法保证准确性，提供 100% 的召回率，因为每个潜在匹配都会被评估。

然而，这种穷举搜索方法有所权衡。FLAT index 是最慢的索引选项，因为它对每个查询都执行数据集的完全扫描。因此，它不适合有大量数据集且性能有关注的环境。FLAT index 的主要优势是其简单性和可靠性，因为它不需要训练或复杂的参数配置。

构建 Index​

要在 Milvus 中的向量 field 上构建 FLAT index，使用 add_index() 方法，为 index 指定 index_type 和 metric_type 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="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={} # No additional parameters required for FLAT
)

在此配置中：

  • index_type：要构建的 index 类型。在此示例中，将值设置为 FLAT。

  • metric_type：用于计算向量之间距离的方法。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 index 不需要额外参数。

配置 index 参数后，您可以直接使用 create_index() 方法创建 index，或在 create_collection 方法中传递 index 参数。有关详细信息，请参阅 创建 Collection。

在 Index 上搜索​

构建 index 并插入 entity 后，您可以在 index 上执行相似性搜索。

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
)

Index 参数​

对于 FLAT index，在 index 创建或搜索过程中都不需要额外的参数。