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
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)from pymilvus import Collectioncollection = Collection('first_milvus')
index_params = {"index_type": "HNSW","metric_type": "L2","params": {"M": 16,"efConstruction": 60}
}
collection.create_index(field_name="embeddings",index_params=index_params,index_name="idx_em"
)
print("done")
