CreateVectorDatabase

CreateVectorDatabase[]

创建一个新的空向量数据库.

CreateVectorDatabase[{vec₁,…}]

用向量集 vec_i 初始化数据库.

CreateVectorDatabase[{vec₁,…}{val₁,…}]

将 val_i 与向量 vec_i 关联在一起.

CreateVectorDatabase[data,name]

为向量数据库指定 name.

更多信息和选项

CreateVectorDatabase 初始化一个新的向量数据库来存储和管理高维数据，以实现高效的搜索和检索.
向量数据库的典型应用包括推荐系统、图像和文本检索以及大数据集中的相似性搜索.
data 可取的值包括：
{vec₁,…} 向量列表

{vec₁val₁,…} 向量列表和关联的值

{vec₁,…}{val₁,…} 向量和值之间的规则
可接受的 val_i 的形式包括：
"string" 字符串标签

<|"tag₁"v₁,…|> 标签和元数据值组成的关联
数据库 name 必须是字符串.
可指定以下选项：

DistanceFunction	CosineDistance	如何计算向量距离
FeatureExtractor	Identity	如何将输入转换为向量
OverwriteTarget	Automatic	是否覆盖现有位置
WorkingPrecision	Automatic	数值精度
GeneratedAssetLocation	$GeneratedAssetLocation	将数据库保存到何处

DistanceFunction 可取的值包括 EuclideanDistance、SquaredEuclideanDistance、CosineDistance、JaccardDissimilarity 和 HammingDistance.
WorkingPrecision 可能的设置包括：
"Integer8" 从到 127 的有符号 8 位整数

"Real32" 单精度实数 (32 bit)

"Real64" 双精度实数 (64 bit)

范例

打开所有单元关闭所有单元

基本范例 (2)

创建一个空的向量数据库：

创建一个具有特定名称的数据库，并用向量列表初始化：

范围 (5)

创建一个空的向量数据库：

创建具有特定名称的数据库：

用向量列表初始化一个新的向量数据库：

用向量和元数据初始化数据库：

用单独的列表指定元数据：

用 Association 指定元数据：

选项 (10)

DistanceFunction (1)

为数据库指定自定义的距离函数：

默认情况下，使用 EuclideanDistance：

FeatureExtractor (1)

只有向量可以被存储在数据库中；指定可以提取图像特征的 FeatureExtractor：

搜索与给定图像最接近的图像：

GeneratedAssetLocation (3)

自定义一个位置来存储数据库：

获取位置：

默认情况下，数据库存储在本地对象中：

将向量数据库存储在文件中：

获取位置：

根据文件参考信息重新创建数据库：

OverwriteTarget (3)

系统自动设定的数据库位置由其名称确定：

如果采用默认设置 OverwriteTargetAutomatic，将生成一个新的数据库名称以避免冲突：

用 OverwriteTargetFalse 进行检查：

OverwriteTargetFalse 还将防止在不同位置重复使用相同的数据库名称：

创建一个文件：

默认情况下，现有文件不会被覆盖：

用 OverwriteTargetTrue 覆盖现有文件：

在特定位置创建数据库：

当在新位置生成同名数据库时，名称将被更新：

删除原始数据库以释放名称：

现在名称再次可用：

WorkingPrecision (2)

自定义距离计算的工作精度：

默认情况下，精度是根据输入数据推断的：

指定空数据库的精度：

新添加的向量被截断和/或舍入以适应给定的精度：

可能存在的问题 (1)

数据库中只能存储一维数组：

顶部

更多学习资源

技术支持

成人教育计划

青少年教育计划

活动

Wolfram 倡议

教育资源

爱好与项目

Wolfram 解决方案

Wolfram 的教育解决方案

开始

提高你的技能

与我们合作

欢迎阅读