1、向量数据库是如何检索的？
Embedding是分析非结构化数据的重要方式，当我们将图片、声音编码为向量后，这些数据依旧能够保留原始数据（图片、声音等）的详细信息。然而，我们很难直接对这些编码后的向量中的数字与原始数据建立联系，想要弄清楚向量构成的空间到底意味着什么就更是难上加难了。
本篇文章，我们将以向量 Embedding 场景中最重要的应用 “以图搜图” 为例，通过使用开源工具 Feder来剖析相似性检索场景中的向量空间到底是怎样的，以及介绍最常用的向量索引 IVF_FLAT 在空间中的结构表现、它的数据检索过程是如何进行的。
向量检索常见场景：“以图搜图”
日常网络数据中，图片、视频等非结构化数据越来越多。“以图搜图”这种新型信息检索方式，也变得越来越常见。以图搜图，通常也被称作“反向图像搜索”，它的工作流程非常简单：我们向搜索引擎提交一张图片，搜索引擎从数据库中返回最相似的几张图片结果给我们。
原作者：Zilliz
更多回帖
