目录
背景
作为向量数据库的重要核心概念，引入与适用场景匹配的相似度，在search 或 query 时至关重要。在前面讲述 Chroma 的相似度计算时，已经说清楚了 Cosine，IP, l2 三种相似度计算的不用及适用场景。Milvus 在相似度的匹配中，也包含了这些核心概念，但应该说 Milvus 在这方面考虑得更细致一些， 下面看下Milvus 在这方面的使用。
Chroma 更加侧重于轻量级的，LLM领域的 vector store 与 search，所以Chroma 更加关注的是 floating vector 的存储。因为熟悉 LLM embedding 的都应该很清楚，无论你使用何种 embedding 模型，包括 google transfomer，或是其他你在 mode scope 上下载的 embedding model，句子在 embedding 后肯定是一个 dim 维度的 float类型的向量。正因为如此，Chroma 的重点在关注 float vector 的embedding 上。所以还是那句话，应用场景决定了软件设计。
但Milvus 在关注 LLM 的 vector store 与 query 时，同时也关注 Binary 与 Sparse 的 embedding。下面依次详细解释。
Floating point embeddings
其实就是浮点嵌入型。
特点
浮点嵌入使用浮点数（如单精度float或双精度double）来表示向量中的每个元素。
浮点数提供了较高的精度，可以表示非常精确的数值。
存储成本相对较高，因为浮点数需要更多的存储空间。
适用场景
需要高精度计算的场景，如科学研究、金融分析等。
机器学习模型中的embedding层，特别是在处理复杂数据时，如图像、音频等。
适用于对相似度计算精度要求较高的应用，如新闻推荐、商品推荐等。
丈量方式
Euclidean distance (L2)
Inner product (IP)
Cosine similarity (COSINE)
在RAG与LLM原理及实践（4）--- 语义相似度距离衡量的三种方式chroma示例_rag 相似度-CSDN博客
已经解释的比较清楚了，这里的核心都是一样的，不明白直接看这里就行，不再熬述。
代码写法
L2, COSINE, IP 自己选择当下场景合适的就行。
索引类型
对于浮点数嵌入型的 vector，Milvus 区分的非常细，实际上在实现的时候，Chroma 也有类似的功能，只是没有明说，放在了代码中而已。下面依次看看。
In-Memory
FLAT 索引
FLAT索引在向量相似性搜索应用中，尤其是在需要完美准确性且数据集相对较小的场景（百万级别）下，是一个很好的选择。其最核心的特点就是FLAT索引不压缩向量，因此它是唯一能够保证精确搜索结果的索引类型。由于这种精确性，FLAT索引的结果也可以作为基准，用于与其他召回率低于100%的索引产生的结果进行比较。
FLAT索引之所以准确，是因为它采用了穷举搜索的方法。对于每个查询，它都会将目标输入与数据集中的每一组向量进行比较。这种方法的缺点是搜索速度较慢，因为它需要遍历整个数据集来查找匹配项。因此，FLAT索引在处理大规模向量数据时效率较低，不适合需要快速响应的场景。
在Milvus中，使用FLAT索引不需要设置任何参数，也无需进行数据训练。这使得FLAT索引的部署和使用变得非常简单直接，特别适用于那些对精确性有严格要求且数据集规模适中的场景。
其实就是在 Chroma 中对应的 暴力所有方式。
IVF_FLAT
inverted File with Flat Index是一种用于大规模向量搜索的高效索引方法，特别适用于处理高维向量数据，如图像、文本或音频的嵌入表示。它通过将向量数据分割成多个集群单元（即nlist个簇），并在每个簇中维护一个中心点，来加速相似度搜索过程。这种方法的关键在于，它仅需在查询时计算目标输入向量与这些簇中心点的距离，然后根据这些距离选择最相似的簇来进一步搜索其中的向量，从而显著减少了查询时间。
IVF_FLAT的工作流程
数据分割：首先，将所有的向量数据根据某种聚类算法（如K-means）分割成nlist个簇，并计算每个簇的中心点。
索引构建：为每个簇构建索引，并将簇内的向量数据与对应的簇中心点关联起来。在IVF_FLAT中，数据以原始形式存储，不进行额外的编码或压缩。
查询处理：
- 粗粒度筛选：当接收到一个目标输入向量时，首先计算它与所有簇中心点的距离。
- 细粒度搜索：根据这些距离，选择最相似的nprobe个簇（nprobe是系统设置的查询时要搜索的簇的数量）。
- 相似度计算：在选定的簇中，计算目标输入向量与簇内每个向量的相似度（如余弦相似度或欧氏距离）。
