【人工智能】【项目实战】 使用 Docker 和 Docker Compose 安装 Milvus v2.2.11以及可视化管理工具 attu

Milvus 2.5 Stand-alone 版可通过 Docker 在几分钟内完成安装，官方提供了 Docker Compose 编排脚本，可一键启动 Milvus、etcd 及 MinIO 容器并暴露 19530 和 9091 端口【 】【 】。为了加速国内安装，推荐使用腾讯云镜像或 FastGit 替代 GitHub 地址拉取 Compose 文件【 】【 】。数据持久化通过在 Compose 中将宿主机目录挂载到容器的 /var/lib/milvus 实现，首次启动后宿主机指定目录下会生成

官网为 www.milvus.io/Milvus 向量数据库能够帮助用户轻松应对海量非结构化数据（图片 / 视频 / 语音 / 文本）检索。单节点 Milvus 可以在秒内完成十亿级的向量搜索（请参考：在线教程），分布式架构亦能满足用户的水平扩展需求。Milvus 向量数据库的应用场景包括：互联网娱乐（图片搜索 / 视频搜索）、新零售（以图搜商品）、智慧金融（用户认证）和智能物流（车辆识别）等领域。

本来想直接编译安装的，但是各种包各种下载各种出错，最后妥协了，用docker吧。

milvus词向量库的概念：（Facebook的Faiss） milvus可以在海量向量库中快速检索到和目标向量相似的若干个向量。 相似度：内积或是欧式等都可以 milvus优势： 1.多平台通用，mac，windows和linux都是支持的，因为milvus可以通过docker部署，因此平台通用性好了不少 2.支持编程语言多，Java，c，c++和python都支持 3.在速度方面不差Faiss 4.milvus在第一次search时速度会慢 5.milvus的向量格式不支持numpy，要用列表的形式存储

milvus minio attu yml文件

将上面网址的内容粘贴到server_config.yaml文件中。直接创建一个server_config.yml。拉去CPU版本的milvus镜像。下面我们就要启动mlivus。

1.在服务器找一个空间大的位置创建一个专属目录，比如 /home/dk/milvus_data。执行完成后，会提示一个 http://xx.xx.xx.xx:3000的地址。下载这个单机版本的，具体版本自己选择，除了2.5.7还有2.5.6等等。浏览器访问该地址，将0.0.0.0换成安装部署机器的可以连通的IP地址。2.执行拉取和安装启动milvus命令，注意yml文件名称要对应。3.服务器磁盘空间正常，docker磁盘占用过大，请参考。2.服务器网络正常，可以连接到容器下载地址。1.安装了docker。

下面演示如何使用PyMilvus库连接到Milvus数据库，创建数据表，插入数据，创建索引，进行搜索、查询、分页查询，以及删除数据表等操作。“params”: 这是一个包含搜索参数的字典，包括 “nprobe” 参数，它指定了搜索时的候选集数量，这里设置为10。“params”: 这是一个包含索引参数的字典，包括 “nlist” 参数，它指定了索引的列表数量，这里设置为128。指定了返回结果的最大数量，只返回满足条件的前4条数据，并指定了要返回的输出字段为 “random”。

Milvus是一款开源的向量数据库，它专为AI应用设计，用于管理和检索海量的特征向量。高效的向量检索性能：Milvus采用了多种先进的索引算法，如IVF, HNSW, ANNOY等，能够在大规模数据集上实现高效的近似最近邻搜索。易于扩展和维护：Milvus支持水平和垂直扩展，能够适应不断增长的数据规模和查询需求。它的分布式架构使得数据存储和计算能力可以灵活扩展。多种数据持久化选项：Milvus支持SSD, HDD等多种存储介质，并且可以与多种持久化存储解决方案集成，如MinIO, S3等。

Milvus是一款开源的向量数据库，它专为AI应用设计，用于管理和检索海量的特征向量。Milvus的优势主要包括：高效的向量检索性能：Milvus采用了多种先进的索引算法，如IVF, HNSW, ANNOY等，能够在大规模数据集上实现高效的近似最近邻搜索。易于扩展和维护：Milvus支持水平和垂直扩展，能够适应不断增长的数据规模和查询需求。它的分布式架构使得数据存储和计算能力可以灵活扩展。

【代码】安装Milvus。

由于milvus依赖etcd和minio，因此需要先启动这2个组件。同样也使用docker进行启动。 etcd：用来存储milvus的元数据。 minio：用来存储milvus的向量数据和索引数据。 下载milvus-standalone-docker-compose.yml 文件，保存为docker-compose.yml:

首先确保系统已经安装上了docker然后去下载安装docker-compose。

Milvus创建于2019年，目标单一：存储、索引和管理由深度神经网络和其他机器学习（ML）模型生成的大量嵌入向量。 作为一个专门用于处理输入向量查询的数据库，它能够对万亿规模的向量进行索引。与现有的关系数据库不同，Milvus主要按照预定义的模式处理结构化数据，它是自下而上设计的，用于处理从非结构化数据转换而来的嵌入向量。 Milvus能够通过计算两个向量的相似距离来分析它们之间的相关性。如果两个嵌入向量非常相似，则意味着原始数据源也相似。