学习路程五 向量数据库Milvus操作

前序

前面安装好了docker且成功拉取Milvus镜像，启动。通过python成功连接上了数据。接下来就继续更多Milvus的操作
在开始之前，先来简单了解一下向量数据库内一些东西的基本概念

概念描述
数据库（Database）类似与MySQL的database，首先需要一个库
集合 (Collection)集合类似于MySQL中的表，它是用来存储向量的容器。集合可以有多个字段，每个字段对应一个向量属性。
向量 (Vector)向量是多维空间中的点，通常用于表示数据的特征，是集合中的基本存储单元。
索引 (Index)索引是用来加速向量搜索的数据结构，有多种索引类型，如 FLAT、IVF、HNSW 等，各自都有特定的适用场景。
Filed字段，可以是结构化数据、向量；
Entity一组Filed，类似表的一条记录。

〇、可视化界面工具attu

在开始之前，可以先安装一个可视化工具，这样能方便查看自己每一步操作后的结果。

下载地址：https://github.com/zilliztech/attu/releases

如果有使用Mac的，和我一样，安装后一直提示已损坏，无法使用的。可以按照下面步骤操作，我按网上搜的，亲测可用。

  1. 打开终端，输入
    sudo spctl --master-disable
    然后输入自己的密码就好

  2. 在终端输入
    sudo xattr -r -d com.apple.quarantine
    然后把这个不能打开的attu拖过来
    在这里插入图片描述
    注意中间需要有个空格。

经过上面操作后，再重新运行，就能正常使用了。

一、数据库操作

有点类似MySQL，最先也得创建database，然后在这个database下使用，建表，查询，删除等。这块没什么特殊的内容

列出数据库

from pymilvus import MilvusClient
client = MilvusClient()  # 上面的内容可以简写
# 列出数据库
res = client.list_databases()

print(res)
# 断开连接
client.close()

"""
['default']
"""

创建数据库

# 创建数据库
res1 = client.create_database("test")

使用数据库

client.using_database('test')

删除数据库

client.drop_database("my_database")

二、集合相关操作

创建集合

# 创建集合，重复运行，不会反复创建集合。
client.create_collection(
  collection_name="test_collection",  # 集合名称
  dimension=2048  # 向量的维度，这里的维度，关系到后面添加的向量数据的维度
)

这里的维度跟选用的embedding模型有关，不同模型向量化出来的数据维度不同。像之前用的zhipu的embedding-3，向量化出来就是2048维度。
在这里插入图片描述
默认创建的主键名为id，不自增。向量字段名为vector，计算向量相似度的方法是COSINE
在这里插入图片描述

判断集合存在

client.has_collection('test_collection')  # 判断集合是否存在

查看集合

res = client.describe_collection('test_collection')
print(res)
"""
{'collection_name': 'test_collection', 'auto_id': False, 'num_shards': 1, 'description': '', 'fields': [{'field_id': 100, 'name': 'id', 'description': '', 'type': <DataType.INT64: 5>, 'params': {}, 'is_primary': True}, {'field_id': 101, 'name': 'vector', 'description': '', 'type': <DataType.FLOAT_VECTOR: 101>, 'params': {'dim': 2048}}], 'functions': [], 'aliases': [], 'collection_id': 456228714208843162, 'consistency_level': 2, 'properties': {}, 'num_partitions': 1, 'enable_dynamic_field': True}
"""

删除集合

client.drop_collection('demo_collection')

三、数据操作

插入数据&更新数据

首先准备数据，进行向量化，刚才看到了一个其他向量化的东西，不需要key值，先弄来用用试试

from langchain_community.embeddings import TensorflowHubEmbeddings

# 向量化
embeddings = TensorflowHubEmbeddings()
text = "苹果"
query_result = embeddings.embed_query(text)
print(query_result, len(query_result))

运行过程会报错，按照报错，缺什么就安装什么。
结果是可用的，但是很慢，我也不确定是不是🪜的问题。
最好还是用之前的那个zhipu的embedding模型，反正有免费的Token数

创建collection时需要注意的是，zhipu那个embedding结果是2048维的。

# 创建milvus对象
from pymilvus import MilvusClient

client = MilvusClient()
client.using_database('test')

# 创建一个集合，维度使用向量化后的数据维度
client.create_collection(
    collection_name="collection1",
    dimension=len(query_result)
)

# 组装数据
data = {
    "id": 0,
    "vector": query_result,
    "text":"苹果"
}
# 插入数据
res = client.insert("collection1", data)
print(res)

在这里插入图片描述
在这里插入图片描述

可以看到数据已经成功添加
如果要插入多条数据，把data做成一个列表就行了。

data = [{
    "id": 1,
    "vector": [...]，
    "text":"苹果手机"
}, {
    "id": 2,
    "vector": [...],
    "text":"菠萝手机"
}]
# 插入数据
res = client.insert("collection1", data)
print(res)

更新数据id不变，后面数据变一下，重新插入就好了

Milvus异步操作

在Milvus中，为了高性能运作，所以添加或更新数据的操作都是异步非阻塞的，对于刚添加入库的数据，有可能无法立即查询出来或者无法查询到最新的更新的数据。

data = [{
    "id": 3,
    "vector": [...]，
    "text":"苹果"
}, {
    "id": 4,
    "vector": [...],
    "text":"菠萝手机"
},{
    "id": 5,
    "vector": [...],
    "text":"菠萝手机"
},]
# 插入数据
res = client.insert("collection1", data)
print(res)

# 刚插入或者刚修改的数据，是无法被查询到的。
res = client.get('collection1', ids=[3, 4, 5],output_fields=["id","text"])
print(res)

client.close()

"""
{'insert_count': 3, 'ids': [3, 4, 5]}
data: []
"""

查询数据

查询相关操作可以访问Milvus官网查阅更多：https://milvus.io/docs/get-and-scalar-query.md
下面只尝试了一下一些基本用法

查询单条数据

res = client.get('collection1', 0)

查询多条数据

res = client.get('collection1', [0,2])

基于pyhton运算过滤条件查询

res = client.query(
    collection_name="collection1",  # 集合名称
    # filter="id in [0,1,2]",  # python的运算符写查询过滤条件，但必须是字符串，而且内容必须符合python语法
    filter="id > 0",
    offset=1,  # 偏移量，开始下标+1
    limit=2,  # 结果限制条数2，限制返回指定数量的结果
    output_fields=["id", "vector"],  # 输出字段，*表示所有字段，可以指定想要的字段字段
)
print(res)

筛选搜索

也可以像SQL查询一样，模糊匹配查询

res = client.query(
    collection_name="collection1",  # 集合名称
    # filter="id in [0,1,2]",  # python的运算符写查询过滤条件，但必须是字符串，而且内容必须符合python语法
    filter="text like \"%手机\"",
    # offset=1,  # 偏移量，开始下标+1
    # limit=2,  # 结果限制条数2，限制返回指定数量的结果
    output_fields=["id", "text"],  # 输出字段，*表示所有字段，可以指定想要的字段字段
)
print(res)
"""
data: data: ["{'id': 1, 'text': '苹果手机'}", 
"{'id': 2, 'text': '菠萝手机'}", 
"{'id': 4, 'text': '苹果手机'}", 
"{'id': 5, 'text': '菠萝手机'}"]
"""

基本 近似最近邻 （ANN）搜索

query_vector = ...
res = client.search(
    collection_name="collection1",
    anns_field="vector",
    data=[query_vector],
    limit=2,
    search_params={"metric_type": "COSINE"}
)

for hits in res:
    for hit in hits:
        print(hit)

"""
{'id': 0, 'distance': 1.0, 'entity': {}}
{'id': 1, 'distance': 0.9998013377189636, 'entity': {}}
"""

这里我直接把第一个向量数据当做查询数据，进行查询。所以id=0的数据，和查询条件一模一样，余弦0，值就是1。

删除数据

查询条件的写法，与query的条件写法一致。

client.delete(
    collection_name="collection1",
    filter="id in [1, 8, 9] and text like \"%手机\""
)

四、字段操作

数据类型

Milvus中提供了Schema类用于定义集合的属性（CollectionSchema）和字段（FieldSchema）的属性。字段存储的数据按不同结构分不同数据类型，这些都是提前通过Schema来进行定义。首先了解关于数据类型部分的内容。

常量常数字段类型描述
BOOL1标量布尔类型
INT82标量8位整型
INT163标量16位整型
INT324标量32位整型
INT645主键，标量64位整型
FLOAT10标量单精度浮点型
DOUBLE11标量双精度浮点型
VARCHAR21主键，标量字符串类型，max_length=65,535
BINARY_VECTOR100向量二进制向量类型
FLOAT_VECTOR101向量32位单精度浮点数向量
FLOAT16_VECTOR102向量16位半精度浮点数向量
BFLOAT16_VECTOR103向量16位半精度浮点数向量，比FLOAT16_VECTOR显存占用量更小，精度更低。
SPARSE_FLOAT_VECTOR104向量稀疏向量，存储非零元素及其相应索引的列表
ARRAY22复合数组，就是python中的列表
JSON23复合json文档，就是python中的字典
NONE0空类型，无法设置为字段类型，milvus返回的格式，
UNKNOWN999未知类型，无法设置为字段类型，milvus返回的格式。

Milvus允许在创建schema时为每个标量字段指定默认值，从而减低插入数据的复杂性，但不包括主键字段。如果在插入数据时将字段留空，则将应用为此字段指定的默认值。

通过schema创建集合

from pymilvus import DataType
from pymilvus import MilvusClient

client = MilvusClient()


client.using_database('test')
# enable_dynamic_field=True 表示开启动态字段，开启后，除 id 和 vector 之外的所有字段都被视为动态字段。
# 这些额外的字段被保存为在名为 $meta 的特殊字段内的键值对。在后面的操作当前集合的数据时允许在插入数据时包含未定义的额外字段。
schema = client.create_schema(enable_dynamic_field=True)

# schema.add_field(field_name="字段名", datatype=DataType.字段类型, is_primary=True, auto_id=True, description="字段描述"), # 设置主键字段
# schema.add_field(field_name="字段名", datatype=DataType.字段类型, default_value=默认值, dim=维度, description="字段描述"),
schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True, auto_id=True)
schema.add_field(field_name="vector", datatype=DataType.FLOAT_VECTOR, dim=5)

index_params = client.prepare_index_params()
# 当把索引设置为AUTOINDEX，则表示将来这里的索引类型是根据存储内容来自动识别。
index_params.add_index(field_name="vector",index_type="AUTOINDEX",metric_type="COSINE")
collection = client.create_collection(
    collection_name="test_01", # 集合名称
    schema=schema, # 字段参数
    index_params=index_params,  # 索引参数
)

在这里插入图片描述

五、索引

索引是提高数据检索效率的关键技术。在 Milvus 中，索引用于加速向量数据的搜索过程。通过索引，可以快速定位到与查询向量最相似的数据向量。

索引类型

Milvus 提供了多种索引类型对字段值进行排序，以实现高效的相似性搜索。

索引适用场景
FLAT原始文件索引，适合在小型、百万级数据集上寻求完全准确和精确搜索结果的，且需要100%召回率的场景。
IVF_FLAT基于量化的索引倒排文件索引，适合寻求在准确性和查询速度之间取得理想平衡的场景。GPU_IVF_FLAT是IVF_FLAT的GPU版本实现。
IVF_SQ8基于量化的索引适合寻求显著减少磁盘、CPU和GPU内存消耗的场景
IVF_PQ基于量化的索引适合寻求高查询速度，即使以牺牲准确性为代价的场景。GPU_IVF_PQ是IVF_PQ的GPU版本实现。
HNSW基于图的索引适合对搜索效率有高要求的场景

注意：

Milvus 目前仅支持对向量和标量字段创建索引。其中给向量字段建立的索引叫向量索引，同理，给标量字段创建的索引叫标量索引。

建议对经常使用的向量字段和标量字段创建索引。
Milvus 目前只支持为集合的每个字段创建一个索引文件。注意：是一个字段只能设置一个索引，不是一个集合只有一个索引！！

Milvus 还提供三种度量类型：余弦相似度 (COSINE)、欧几里得距离 (L2) 和内积 （IP，Inner Product）来测量向量嵌入之间的距离。

常用度量方法参考：https://blog.csdn.net/qq_42222846/article/details/145829907

删除索引

在这里插入图片描述
因为之前创建集合时默认是有索引的，先删除

client.release_collection('test_01')  # 先从内存中释放数据
client.drop_index(
    collection_name="test_01",
    index_name="vector"
)

删除完成后就变成没有索引了
在这里插入图片描述

创建索引


index_params = client.prepare_index_params()

index_params.add_index(
    collection_name="test_01",
    field_name="vector",
    index_params=index_params,
    metric_type="L2",
    index_type="IVF_FLAT",
    params={"nlist": 100},  # list，分区设置
)

client.create_index(collection_name='test_01', index_params=index_params)
# 创建完索引以后，需要手动加载下集合
client.load_collection(collection_name='test_01')

创建完成后就是我们设置的索引了
在这里插入图片描述

查看索引

res = client.describe_index(
     collection_name="test_01",
     index_name="vector"
 )

print(res)

"""
{'nlist': '100', 
'index_type': 'IVF_FLAT', 
'collection_name': 'test_01',
'index_params': "[{'field_name': 'vector', 'index_type': 'IVF_FLAT', 'index_name': '', 'collection_name': 'test_01', 'index_params': <pymilvus.milvus_client.index.IndexParams object at 0x1278cffd0>, 'metric_type': 'L2', 'params': {'nlist': 100, 'index_type': 'IVF_FLAT', 'collection_name': 'test_01', 'index_params': <pymilvus.milvus_client.index.IndexParams object at 0x1278cffd0>, 'metric_type': 'L2'}}]", 
'metric_type': 'L2', 
'field_name': 'vector',
'index_name': 'vector', 
'total_rows': 0, 
'indexed_rows': 0, 
'pending_index_rows': 0, 
'state': 'Finished'}
"""

六、结合智谱AI向量化存储Milvus，再查询

1. 向量化，存储

import os

os.environ["ZHIPUAI_API_KEY"] = "a22568xxx"

from langchain_community.embeddings import ZhipuAIEmbeddings
embeddings = ZhipuAIEmbeddings(
    model="embedding-3",
    dimensions=1024
)

data = [
    "欢迎来到成都。",
    "欢迎来到重庆。",
    "欢迎来到北京。",
    "我喜欢成都。",
    "你是重庆人吗？"
]
embeddings = embeddings.embed_documents(data)
data = [{"vector": item} for item in embeddings]

# 创建milvus对象，操作数据集
from pymilvus import MilvusClient

client = MilvusClient()
client.using_database('test')

from pymilvus import DataType

schema = client.create_schema(enable_dynamic_field=True)
schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True, auto_id=True),
schema.add_field(field_name="vector", datatype=DataType.FLOAT_VECTOR, dim=1024)  # 与上面embedding模型得到的dim值保持一致

index_params = client.prepare_index_params()
index_params.add_index(field_name="vector", index_type="IVF_FLAT", metric_type="L2", nlist=128)
collection = client.create_collection(
    collection_name="my_collection",  # 集合名称
    schema=schema,  # 字段参数
    index_params=index_params,  # 索引参数
)

client.load_collection('my_collection')

# 把zhipu ai向量化的数据存储起来
client.insert(collection_name='my_collection', data=data)

client.close()

在这里插入图片描述
可以看到数据被存起来了。度量方式是L2
在这里插入图片描述

2.模拟用户查询（L2）

# -*- coding: utf-8 -*-
# @Author : John
# @Time : 2025/02/25
# @File : query.py

import os
from pymilvus import MilvusClient

os.environ["ZHIPUAI_API_KEY"] = "a225xxx"

client = MilvusClient()

# 切换数据库
client.using_database('test')

# 把要查询的内容转换嵌入变量


from langchain_community.embeddings import ZhipuAIEmbeddings

embeddings = ZhipuAIEmbeddings(
    model="embedding-3",
    dimensions=1024
)
# 把用户查询的数据向量化
query_sentence_embedding = embeddings.embed_query("欢迎来到深圳")

# 到milvus中查询
search_params = {
    "metric_type": "L2",  # 因为集合中的索引使用的就是L2（欧氏距离），所以我们这里必须写成欧式距离
    "params": {}
}
result = client.search(
    collection_name="my_collection",
    data=[query_sentence_embedding],
    search_params=search_params
)

print(result)
client.close()

得到结果如下

{'id': 456235719503916998, 'distance': 0.23892742395401, 'entity': {}}, 
{'id': 456235719503916999, 'distance': 0.24597115814685822, 'entity': {}}, 
{'id': 456235719503917000, 'distance': 0.2479812204837799, 'entity': {}}, 
{'id': 456235719503917001, 'distance': 0.43177342414855957, 'entity': {}}, 
{'id': 456235719503917002, 'distance': 0.47823566198349, 'entity': {}}]

存储的数据：
    "欢迎来到成都。",
    "欢迎来到重庆。",
    "欢迎来到北京。",
    "我喜欢成都。",
    "你是重庆人吗？"
查询的数据：
	"欢迎来到深圳"

可以看出，查询的这句话，与前三句很相近，只有2个字不同，而和下面2句差距就比较大。输出的结果也是如此。
L2距离查询，也就是两点之间的距离，越小就越相近。

七、通过LangChain调用milvus

# 1.初始化嵌入模型
import os
os.environ["ZHIPUAI_API_KEY"] = "a2256xxx"

from langchain_community.embeddings import ZhipuAIEmbeddings
embeddings_model = ZhipuAIEmbeddings(
    model="embedding-3",
    dimensions=1024
)

# 2. Milvus数据库配置
milvus_host = "127.0.0.1"  # Milvus服务器的主机名或IP地址
milvus_port = "19530"  # Milvus服务器的端口
collection_name = "my_collection"  # 数据集合的名称

# 3. 初始化Milvus向量存储【
from langchain_milvus import Milvus
vector_store = Milvus(
    embedding_function=embeddings_model,  # 指定嵌入模型
    collection_name=collection_name,
    connection_args={"host": milvus_host, "port": milvus_port},
    auto_id=True,  # 设置集合中的数据为自动增长ID，默认是False
    # primary_field="id",  # 设置主键名称，默认是id，可以不改
)

# 4.嵌入文本数据并存储到Milvus
texts = [
    "小红是公司财务。",
    "小张是开发人员。",
    "小刘是前台。"
]
from langchain.schema import Document
documents = [Document(page_content=text, metadata={'tid': key}) for key,text in enumerate(texts)]
vector_store.add_documents(documents)


# 5. 查询并搜索相似文本
query = "公司的前台是谁？"
embedded_query = embeddings_model.embed_query(query)
# 打印搜索结果【1个结果】
# print(embedded_query)

# 使用Milvus进行相似度搜索
search_results = vector_store.similarity_search(query)
# 6. 打印搜索结果【多个结果】，第一个是相似度最高的结果
for result in search_results:
    print("相关文本:", result.page_content, result.metadata)

"""
相关文本: 小刘是前台。 {'tid': 2, 'pk': 456235719503917023}
相关文本: 小红是公司财务。 {'tid': 0, 'pk': 456235719503917021}
相关文本: 小张是开发人员。 {'tid': 1, 'pk': 456235719503917022}
"""

更换问题后，相似度计算靠前的答案也更改了。

....
query = "谁是公司的财务？"
...
"""
相关文本: 小红是公司财务。 {'pk': 456235719503917021, 'tid': 0}
相关文本: 小刘是前台。 {'pk': 456235719503917023, 'tid': 2}
相关文本: 小张是开发人员。 {'pk': 456235719503917022, 'tid': 1}
"""

常用的距离度量方法

如文中出现的 L2, COSIN等这些

可以参考：https://blog.csdn.net/qq_42222846/article/details/145829907

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/977719.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

pycharm安装教程-PyCharm安装破解步骤【MAC版】

pycharm安装教程-PyCharm安装破解步骤【MAC版】

pycharm安装教程-PyCharm2023安装破解步骤【MAC版】 破解安装安装包获取 今天来给大家分享 Mac 系统安装 PyCharm&#xff0c;附带资源 破解安装&#xff0c; PyCharm 相关就不叙述了&#xff0c;直接开始安装&#xff01; 破解安装 打开下载的安装包 PyCharm2023.dmg&#x…
阅读更多...
简单介绍 SSL 证书类型： DV、OV、EV 的区别

简单介绍 SSL 证书类型： DV、OV、EV 的区别

SSL证书类型DV、OV、EV 区别&#xff1a; DV(域名验证型)SSL证书 OV(组织验证型)SSL证书 EV(扩展验证型)SSL证书
阅读更多...
NLP的预处理数据

NLP的预处理数据

处理文本数据的主要工具是Tokenizer。Tokenizer根据一组规则将文本拆分为tokens。然后将这些tokens转换为数字&#xff0c;然后转换为张量&#xff0c;成为模型的输入。模型所需的任何附加输入都由Tokenizer添加。 如果您计划使用预训练模型&#xff0c;重要的是使用与之关联的…
阅读更多...
[Web 安全] PHP 反序列化漏洞 —— PHP 序列化 反序列化

[Web 安全] PHP 反序列化漏洞 —— PHP 序列化 反序列化

关注这个专栏的其他相关笔记&#xff1a;[Web 安全] 反序列化漏洞 - 学习笔记-CSDN博客 0x01&#xff1a;PHP 序列化 — Serialize 序列化就是将对象的状态信息转化为可以存储或传输的形式的过程&#xff0c;在 PHP 中&#xff0c;通常使用 serialize() 函数来完成序列化的操作…
阅读更多...
国科大——数据挖掘（0812课程）——课后作业

国科大——数据挖掘（0812课程）——课后作业

前沿&#xff1a; 此文章记录了2024年度秋季学期数据挖掘课程的三次课后作业&#xff0c;答案仅供参考。 第一次作业 1 假定数据仓库中包含4个维&#xff1a;date, product, vendor, location&#xff1b;和两个度量&#xff1a;sales_volume和sales_cost。 1&#xff09;画…
阅读更多...
从电子管到量子计算：计算机技术的未来趋势

从电子管到量子计算：计算机技术的未来趋势

计算机发展的历史 自古以来人类就在不断地发明和改进计算工具，从结绳计数到算盘，计算尺，手摇计算机，直到1946年第一台电子计算机诞生，虽然电子计算机至今虽然只有短短的半个多世纪，但取得了惊人的发展吗，已经经历了五代的变革。计算机的发展和电子技术的发展密切相关，…
阅读更多...
Redis核心数据结构与底层实现

Redis核心数据结构与底层实现

5种基础数据结构 String 字符串list 列表hash 字典set 集合zset 有序集合 deepseek的回答 String 内部编码 redis根据当前值的类型和长度决定使用哪种内部编码&#xff0c;共3种内部编码&#xff1a; int &#xff1a;value为整数时embstr : 短字符串&#xff08;长度<…
阅读更多...
【我的Android进阶之旅】Android Studio SDK Update Site 国内的腾讯云镜像配置指南

【我的Android进阶之旅】Android Studio SDK Update Site 国内的腾讯云镜像配置指南

一、腾讯云的镜像 https://mirrors.cloud.tencent.com/AndroidSDK/ 二、 打开 Android Studio‌的SDK Manager 路径：Tools–>SDK Manager 在右侧找到 SDK Update Sites 列表‌‌，添加如下链接，像下面一样，一个一个添加 将下面几个链接都加上去 https:
阅读更多...
C++知识整理day9——继承（基类与派生类之间的转换、派生类的默认成员函数、多继承问题）

C++知识整理day9——继承（基类与派生类之间的转换、派生类的默认成员函数、多继承问题）

文章目录 1.继承的概念和定义2.基类与派生类之间的转换3.继承中的作用域4.派生类的默认成员函数5.实现一个不能被继承的类6.继承与友元7.继承与静态成员8.多继承和菱形继承问题8.1 继承分类及菱形继承8.2 虚继承 1.继承的概念和定义 概念&#xff1a; 继承(inheritance)机制是⾯…
阅读更多...
OpenCV计算摄影学（2）图像去噪函数denoise_TVL1()

OpenCV计算摄影学（2）图像去噪函数denoise_TVL1()

操作系统&#xff1a;ubuntu22.04 OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 算法描述 原始-对偶算法是用于解决特定类型变分问题&#xff08;即&#xff0c;寻找一个函数以最小化某个泛函&#xff09;的算法。特别地&#xff0c;图像…
阅读更多...
【Kimi】自动生成PPT-并支持下载和在线编辑--全部免费

【Kimi】自动生成PPT-并支持下载和在线编辑--全部免费

【Kimi】免费生成PPT并免费下载 用了好几个大模型&#xff0c;有些能生成PPT内容&#xff1b; 有些能生成PPT&#xff0c;但下载需要付费&#xff1b; 目前只有Kimi生成的PPT&#xff0c;能选择模板、能在线编辑、能下载&#xff0c;关键全部免费&#xff01; 一、用kimi生成PP…
阅读更多...
SQL注入（order by，limit），seacms的报错注入以及系统库的绕过

SQL注入（order by，limit），seacms的报错注入以及系统库的绕过

1&#xff1a;如果information_schema被过滤了&#xff0c;该怎么绕过 1.1&#xff1a;介绍一下information_schema这个库 information_schema 是一个非常重要的系统数据库&#xff0c;它在SQL标准中定义&#xff0c;并且被许多关系型数据库管理系统&#xff08;RDBMS&#x…
阅读更多...
猿大师播放器：交通水利、公安消防Web端Vue网页播放20路RTSP H.265 1080P监控视频流

猿大师播放器：交通水利、公安消防Web端Vue网页播放20路RTSP H.265 1080P监控视频流

随着互联网技术的飞速发展&#xff0c;视频监控已成为各行各业不可或缺的一部分。无论是交通物流、公安消防&#xff0c;还是水利农业、园区校园&#xff0c;视频监控都扮演着至关重要的角色。然而&#xff0c;传统的视频监控解决方案往往依赖于特定的客户端软件&#xff0c;这…
阅读更多...
Vue3 + Spring WebMVC 验证码案例中的跨域问题与解决方法

Vue3 + Spring WebMVC 验证码案例中的跨域问题与解决方法

最近在基于vue3 SpringWebMVC前后端分离的开发环境中实现一个验证码的案例&#xff0c;在开发过程中遇到了一些复杂的跨域问题&#xff0c;现已解决&#xff0c;故将解决方法分享&#xff0c;希望能帮到有需要的人。 出现的问题&#xff1a; 对于验证码的实现&#xff0c;我选…
阅读更多...
Mac 版 本地部署deepseek ➕ RAGflow 知识库搭建流程分享（附问题解决方法）

Mac 版 本地部署deepseek ➕ RAGflow 知识库搭建流程分享（附问题解决方法）

安装&#xff1a; 1、首先按照此视频的流程一步一步进行安装&#xff1a;(macos版&#xff09;ragflowdeepseek 私域知识库搭建流程分享_哔哩哔哩_bilibili 2、RAGflow 官网文档指南&#xff1a;https://ragflow.io 3、RAGflow 下载地址&#xff1a;https://github.com/infi…
阅读更多...
蛋白质研究常用数据库系列1

蛋白质研究常用数据库系列1

一系列常用的蛋白质研究数据库 一 蛋白综合数据库 1.1 Uniprot UniProt&#xff08;Universal Protein Resource&#xff0c;https://www.uniprot.org/&#xff09;是一个免费开放的综合性蛋白质数据库。该数据库蛋白信息来源于EMBL、GenBank、DDBJ等公共数据库&#xff08;非…
阅读更多...
minio作为K8S后端存储

minio作为K8S后端存储

docker部署minio mkdir -p /minio/datadocker run -d \-p 9000:9000 \-p 9001:9001 \--name minio \-v /minio/data:/data \-e "MINIO_ROOT_USERjbk" \-e "MINIO_ROOT_PASSWORDjbjbjb123" \quay.io/minio/minio server /data --console-address ":90…
阅读更多...
深圳南柯电子｜医疗设备EMC测试整改检测：零到一，保障医疗安全

深圳南柯电子｜医疗设备EMC测试整改检测：零到一，保障医疗安全

在当今医疗科技飞速发展的时代&#xff0c;医疗设备的电磁兼容性&#xff08;EMC&#xff09;已成为确保其安全、有效运行的关键要素之一。EMC测试整改检测不仅关乎设备的性能稳定性&#xff0c;更是保障患者安全、避免电磁干扰引发医疗事故的重要措施。 一、医疗设备EMC测试整…
阅读更多...
安装TortoiseGit时，显示需要安装驱动？！

安装TortoiseGit时，显示需要安装驱动？！

安装TortoiseGit时&#xff0c;显示需要安装驱动&#xff1f; 原因分析&#xff1a; 出现上述情况&#xff0c;单纯是被捆绑了&#xff0c;TortoiseGit是不需要任何插件 解决方案&#xff1a; 在电脑上选择应用Windows安装程序
阅读更多...
高中数学基础-平面向量

高中数学基础-平面向量

文章目录 1、平面向量2、复数 高中数学-平面向量、复数 1、平面向量 向量&#xff1a;具有大小和方向的量称为向量&#xff1b;物理学中向量也称矢量&#xff0c;只有大小没有方向的量称为标量&#xff1b;向量的大小称为模&#xff0c;大小为1的是单位向量&#xff0c;长度为0…
阅读更多...
最新文章

Copyright @ 2022~2023