chromadb 安装和使用

简介

Chromadb 是一个开源的嵌入式向量数据库,专为现代人工智能和机器学习应用设计,旨在高效存储、检索和管理向量数据。以下是关于它的详细介绍:

核心特性

  • 易于使用:提供了简洁直观的 API,即使是新手也能快速上手,轻松实现向量数据的存储与查询。
  • 高性能:采用了优化的索引结构和查询算法,能够在大规模向量数据集中实现快速的相似度搜索,有效满足实时应用的需求。
  • 可扩展性:支持水平扩展和分布式部署,能随着数据量和查询负载的增长而灵活扩展,适应不同规模的应用场景。
  • 多模态支持:不仅可以处理文本嵌入向量,还能支持图像、音频等多种模态的向量数据,为多模态应用提供了强大的支持。
  • 数据持久化:提供了数据持久化功能,确保在系统重启或崩溃后数据不会丢失,保证数据的安全性和可靠性。

应用场景

  • 语义搜索:在文档、文章、网页等文本数据中,根据语义相似性进行搜索,帮助用户快速找到最相关的信息。
  • 推荐系统:通过分析用户的历史行为和偏好,计算物品之间的相似度,为用户提供个性化的推荐。
  • 图像和视频检索:在图像和视频数据库中,根据视觉特征进行检索,帮助用户快速找到相似的图像或视频。
  • 问答系统:在知识库中查找与用户问题最相似的答案,为用户提供准确的回答。

技术架构

Chromadb 的架构设计简洁高效,主要由以下几个部分组成:

  • 客户端 API:提供了 Python、JavaScript 等多种编程语言的客户端 API,方便开发者集成到自己的应用中。
  • 索引引擎:采用了高效的索引结构,如 HNSW(Hierarchical Navigable Small World),能够快速定位和检索向量数据。
  • 存储引擎:支持多种存储后端,如本地文件系统、内存数据库等,用户可以根据自己的需求选择合适的存储方式。
  • 分布式系统:支持分布式部署,通过分布式存储和计算,实现数据的水平扩展和高可用性。

社区与生态

Chromadb 拥有活跃的开源社区,开发者可以在社区中分享经验、提交问题和贡献代码。此外,Chromadb 还与许多其他开源项目和工具集成,如 LangChain、Hugging Face 等,形成了丰富的生态系统,为开发者提供了更多的选择和便利。

安装chromadb

复制代码
pip install chromadb

下载all-MiniLM-L6-v2 依赖模型

all-MiniLM-L6-v2 是一个小型语言模型,属于 MiniLM 系列,它通过知识蒸馏技术从更大的模型中压缩而来,旨在保持较高性能的同时减少计算资源需求。

all-MiniLM-L6-v2 是一个高效的轻量级语言模型,适合资源有限的环境,能够胜任多种 NLP 任务。

复制代码
#SDK模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('wengad/all-MiniLM-L6-v2')

然后

复制代码
cp -r /mnt/workspace/.cache/modelscope/models/wengad/all-MiniLM-L6-v2  /root/.cache/chroma/onnx_models/all-MiniLM-L6-v2

使用

复制代码
import chromadb
chroma_client = chromadb.PersistentClient(path="/mnt/workspace/chromadbdata")

# switch `create_collection` to `get_or_create_collection` to avoid creating a new collection every time
collection = chroma_client.get_or_create_collection(name="my_collection")

# switch `add` to `upsert` to avoid adding the same documents every time
collection.upsert(
    documents=[
        "This is a document about pineapple",
        "This is a document about oranges"
    ],
    ids=["id1", "id2"]
)

results = collection.query(
    query_texts=["This is a query document about florida"], # Chroma will embed this for you
    n_results=2 # how many results to return
)

print(results)

参考

https://docs.trychroma.com/docs/run-chroma/persistent-client

https://blog.csdn.net/2401_85390073/article/details/143560813

相关推荐
cwj&xyp15 分钟前
大模型(二)神经网络
人工智能·深度学习·神经网络
www_pp_2 小时前
# 使用 Dlib 和 OpenCV 实现基于深度学习的人脸检测
人工智能·深度学习·opencv
Jackilina_Stone2 小时前
【模型量化】GPTQ 与 AutoGPTQ
人工智能·python·gptq
skywalk81632 小时前
Cline – OpenRouter 排名第一的CLI 和 编辑器 的 AI 助手
人工智能·编辑器·cline
橙色小博3 小时前
PyTorch中的各种损失函数的详细解析与通俗理解!
人工智能·pytorch·python·深度学习·神经网络·机器学习
小森77674 小时前
(三)机器学习---线性回归及其Python实现
人工智能·python·算法·机器学习·回归·线性回归
-XWB-4 小时前
【LLM】使用MySQL MCP Server让大模型轻松操作本地数据库
人工智能·python·自然语言处理
訾博ZiBo5 小时前
AI日报 - 2025年4月8日
人工智能
James. 常德 student5 小时前
深度学习之微调
人工智能·深度学习