3.milvus索引-HNSW

索引作用

加速大型数据集上的查询。

向量字段，仅只能创建一个索引。

milvus支持的向量索引类型大部分使用近似最近邻搜索算法。ANNS该算法的核心不局限于返回最准确的结果，而是仅搜索目标的邻居。ANNS通过在可接受的范围内牺牲准确性提高检索效率。

比方，有一百条数据，其中有90条数据是满足条件的，使用ANNS可能只会返回89条数据。如果想准确返回90条数据，就需要采用暴力搜索。

milvus索引分类

内存索引，因为是在内存中所以加载速度更快。

磁盘索引

根据实现方式分类，ANNS向量索引可以分为4类：

1.基于树的索引，比如mysql中的索引是基于B+树。

2.基于图的索引

3.基于哈希的索引

4.基于量化的索引

根据数据类型，支持两种类型的索引：

floating-point embeddings 浮点类型，常用的索引

SCANN、IVF_FLAT、IVF_PQ、IVF_SQ8、FLAT、HNSW（效率比较高的索引算法）、ANNOY、AUTOINDEX、DISKANN

binary embeddings

BIN_FLAT、BIN_IVF_FLAT

**注意：**删掉索引前，需要现将Collection从内存中release卸载释放掉。

使用attu图形化工具，创建一个HNSW类型的索引

使用代码创建一个HNSW类型的索引

python 复制代码

from pymilvus import (
    connections,
    Collection,
)

collection_name = "first_milvus"
host = "192.168.171.130"
port = 19530
username = ""
password = ""

connections.connect("default", host=host, port=port, user=username, password=password)
coll = Collection(collection_name, consistency_level="Bounded", shards_num=1)

index_params = {
    "index_type": "HNSW",
    "metric_type": "L2",
    "params": {
        "M": 16,
        "efConstruction": 60
    }
}
coll.create_index(
  field_name="embeddings",
  index_params=index_params,
  index_name="idx_em"
)
print("done")