本文内容承接上文Milvus-Lite版本环境安装，本章不会往数据库里写数据，只是讲如何创建表
目录
- 通过Python代码创建collections
- create_collection函数中的dimension参数
- create_collection函数中的vector_field_name参数
- create_collection函数中的metric_type参数
通过Python代码创建collections
一个collections就相当mysql当中的一个表，下面的代码是创建1个叫collection_01的表
cpp
from pymilvus import MilvusClient
client = MilvusClient(uri="http://localhost:19530")
client.create_collection(
collection_name="collection_01",
dimension=768 # 后续我们会设置的小一些
)create_collection函数中的dimension参数
dimension表示维度，用通俗的话讲意思就是有哪些特征，每个特征的程度有多高，例如
苹果：酸，甜，我们就可以说苹果具有2个维度，维度的高低用0到1之间的小数来表示
cpp
苹果=[0.9,0.9] 说明这个苹果又酸又甜
苹果=[0.1,0.9] 说明这个苹果不酸，但是很甜为什么是768
这个数字是取决于大模型，现在主流大模型把文本转换成向量的时候，都会用768个特征，来表示这个文本，所以我们后续为了跑单机，dimension会设置的小一些
create_collection函数中的vector_field_name参数
每创建一个collection，如果不指定参数，则该collection只有一个字段，默认叫vector，你可以用mysql理解：创建一个collection的表，如果不指定参数，那么这个表中只有一列，列名叫vector，更改代码如下，我们重新创建一个collection_2的表，这个表里有1个列，列名叫field_name_1
cpp
from pymilvus import MilvusClient
client = MilvusClient(uri="http://localhost:19530")
client.create_collection(
collection_name="collection_02",
dimension=3,
vector_field_name = 'field_name_1'
)使用ATTU查看该表如下
什么时候创建多个向量字段
上述代码中，只创建了1个向量字段叫field_name_1，假设我的业务需求是图文搜索，用户有可能给一个图片，让我们根据图片搜索，也有可能给出一段商品描述，让我们根据描述搜索，这种情况下，我们就需要2个向量字段，一个字段用来存文字向量，一个用来存图片向量
如何创建多个向量字段
创建多个向量，需要使用schema，下面的代码创建一个collection_03表，包含两个字段，分别是field_name_1和field_name_2
cpp
from pymilvus import MilvusClient,DataType
client = MilvusClient(uri="http://localhost:19530")
schema = client.create_schema()
# 主键字段必须要有,create_collection默认就有，现在是schema的方式，必须要手动指定
schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True, auto_id=True)
schema.add_field(field_name="field_name_1", datatype=DataType.FLOAT_VECTOR, dim=512)
schema.add_field(field_name="field_name_2", datatype=DataType.FLOAT_VECTOR, dim=512)
client.create_collection(
collection_name="collection_03",
dimension=3,
schema = schema # 这里之前是vector_field_name，现在改成schema的方式
)
create_collection函数中的metric_type参数
上文中的代码，我们使用了两种方式创建字段（列），分别是create_collection指定vector_field_name和create_collection指定schema，当点击create_collection源码的时候会发现还有一个参数叫metric_type，这个参数叫距离度量方式，用来表示两个数据是根据什么来决定像还是不像，比如我觉得两个物体都是圆的，我就说它俩像，但是你觉得两个物体大小相同才应该叫做像，我和你之间，对像不像的解释，不相同，所以metric_type就是用来决定具体采用哪种规则来决定像不像，有下面3种规则：
L2（欧氏距离）：算直线距离L2，请参考这里（TODOshiwentian这有个链接，文章还没写完）
IP（内积）：算重叠程度，请参考这里（TODOshiwentian这有个链接，文章还没写完）
COSINE（余弦相似度）： 算方向是否一致，请参考这里（TODOshiwentian这有个链接，文章还没写完）