有什么教做甜品的网站如何优化关键词的方法
前言
milvus支持多种GPU索引类型，它能加速查询的性能和效率，特别是在高吞吐量，低延迟和高召回率的场景。本文我们将介绍milvus支持的各种GPU索引类型以及它们适用的场景、性能特点。
下图展示了milvus的几种索引的查询性能对比，通过下图我们发现批量查询的场景性能会更好
GPU_CAGRA
GPU_CAGRA是一个针对GPU优化的基于图的索引，它在GPU上能很好的执行推理。它最适合只有少量查询的场景，通过低频的内存训练的GPU通常得不到最优的结果。
- 索引构建参数：
| Parameter | Description | Default Value |
|---|---|---|
intermediate_graph_degree | 通过在剪枝之前确定图的深度来影响召回率和构建时间，推荐的值是32或者64 | 128 |
graph_degree | 通过在剪枝之后设置图的深度来影响查询性能和召回率。这两个深度之间的差异越大，构建时间就越长。它的值必须小于intermediate_graph_degree的值 | 64 |
build_algo | 选择剪枝之前的图生成算法。可选的值： | IVF_PQ |
cache_dataset_on_device | 决定是否在GPU内存里缓存原始数据集，可选值：
| "false" |
- 查询参数
| Parameter | Description | Default Value |
|---|---|---|
itopk_size | 确定在查询期间中间结果的大小。比较大的值可能提高召回率但是影响查询性能。它至少要等于最终的top-k的值，并且是2的n次方(比如16, 32, 64, 128). | Empty |
search_width | 声明在查询期间进入CAGRA图的切入点的数量，增加它的值可以提高召回率但是影响性能 | Empty |
min_iterations / max_iterations | 控制查询迭代进程，默认情况下它们设置为0，CAGRA根据itopk_size和search_width自动决定迭代的数量。手动调整它们的值可以平衡性能和准确率 | 0 |
team_size | 声明用来在GPU上计算距离指标的CUDA线程数量。常用的值是2的n次方到32 (比如 2, 4, 8, 16, 32).它对搜索性能的影响很小，默认值是0，这样milvus会根据向量的维度自动设置team_size的值。 | 0 |
GPU_IVF_FLAT
与IVF_FLAT类似，GPU_IVF_FLAT也是将向量数据分为 nlist个聚类单元，然后比较输入的目标向量与每个聚类中心的距离。根据系统设置为查询（nprobe）的聚类数量，仅仅比较目标输入和最相似的聚类的向量来返回相似搜索结果，极大的降低了查询时间。
通过调整nprobe，针对特定的场景可以完美的平衡准确率和速度。从IVF_FLAT性能测试报告看出，随着目标输入向量数量（nq）和需要搜索的聚类数量（nprobe）的增加，查询时间急剧增加。
GPU_IVF_FLAT大部分是基于IVF索引，并且每个单元的编码数据存储与原始数据保持一致。当进行搜索的时候，我们可以对GPU_IVF_FLAT索引集合设置tok-K到256
- 索引构建参数
| Parameter | Description | Range | Default Value |
|---|---|---|---|
nlist | 聚类单元的个数 | [1, 65536] | 128 |
查询参数
| Parameter | Description | Range | Default Value |
|---|---|---|---|
nprobe | 查询多少个聚类单元 | [1, nlist] | 8 |
搜索限制
| Parameter | Range |
|---|---|
top-K | <= 256 |
GPU_IVF_PQ
PQ（乘积量化）将原始高维向量空间均匀分解为m个低维向量空间的笛卡尔乘积，然后对分解的低维度空间进行量化。替代计算目标向量和所有单元的中心距离，乘积量化计算目标向量和每个低维空间的聚类中心的聚类，这极大的降低了算法的时间复杂度和空间复杂度。
IVF_PQ在向量乘积的量化之前执行IVF索引聚类。它的索引文件甚至比IVF_SQ8还要小，但是它也导致了在向量搜索的时候损失了精度。
注意：索引构建参数和查询参数会随着milvus的版本变化，所以我们需要先选择对应的版本。当进行搜索的时候，我们可以对GPU_IVF_PQ索引集合设置tok-K到8192
索引构建参数
| Parameter | Description | Range | Default Value |
|---|---|---|---|
nlist | 聚类单元的数量 | [1, 65536] | 128 |
m | 乘积向量因子的大小 | dim mod m == 0 | 4 |
nbits | 低维度向量存储的位数（bits） | [1, 16] | 8 |
查询参数
| Parameter | Description | Range | Default Value |
|---|---|---|---|
nprobe | 需要查询的单元数量 | [1, nlist] | 8 |
查询限制
| Parameter | Range |
|---|---|
top-K | <= 1024 |
GPU_BRUTE_FORCE
GPU_BRUTE_FORCE是专门为非常高的召回率场景进行定制的，它通过比较数据库里面所有的向量确保召回率是1，它仅仅需要度量类型（metric_type）和 top-k(limit)作为索引构建和查询参数。
对于GPU_BRUTE_FORCE,不需要额外的索引构建参数和查询参数。
结论
当前，milvus为了高效的搜索操作加载所有的索引到GPU内存。可以加载的数据量依赖于GPU内存的大小。
- GPU_CAGRA:需要的内存大小是原始向量数据大小的1.8倍
- GPU_IVF_FLAT和GPU_BRUTE_FORCE:需要的内存大小与原始数据大小一样
- GPU_IVF_PQ:占用较小的内存空间，它取决于压缩参数的设置。