解释 Milvus 中的 metric_type 参数 “L2”

metric_type: “L2” 是 Milvus 向量数据库中用于指定向量相似度计算方式的参数，它决定了如何衡量两个向量之间的距离或相似度。

L2 距离（欧几里得距离）详解

L2 距离（又称欧几里得距离）是最常用的距离度量方式之一，计算两个向量在欧几里得空间中的直线距离。数学表达式为：

L2距离 = √(Σ(x_i - y_i)²)

其中 x_i 和 y_i 分别是两个向量在第 i 维上的值。

特点：

1. 值越小越相似：L2距离越小，表示两个向量越相似
2. 考虑所有维度：计算时考虑了向量所有维度的差异
3. 几何直观：就是我们常说的"直线距离"

与其他 metric_type 对比

Milvus 支持多种 metric_type：

• L2：欧几里得距离
• IP：内积（适合某些特定场景）
• COSINE：余弦相似度（适合文本相似度）
• JACCARD：杰卡德相似度（适合集合）
• HAMMING：汉明距离（适合二进制数据）

实际例子

假设我们有两个二维向量：

• 向量A: [1, 2]
• 向量B: [4, 6]

计算它们的L2距离：

√((1-4)² + (2-6)²) = √(9 + 16) = √25 = 5

在 Milvus 中使用时，当您设置 "metric_type": "L2"，系统就会使用这种计算方式来比较向量相似度。

适用场景

L2距离特别适合：

• 图像检索（像素或特征向量的直接比较）
• 物理空间中的距离计算
• 当向量的绝对值大小有意义时

在 Milvus 中的配置

在您的代码中，L2与IVF_FLAT索引配合使用：

index_params={
    "metric_type": "L2",  # 使用L2距离
    "index_type": "IVF_FLAT",  # 使用倒排文件索引
    "params": {"nlist": 1024}  # 聚类中心数量
}

这意味着Milvus会先使用IVF_FLAT索引结构组织数据，然后在搜索时使用L2距离来计算相似度。