vemcache

vemcache

Vemcache是​​一个内存矢量数据库。

可以将vemcache视为矢量数据库的重新等效物。

入门

先决条件

• Docker：要使用Docker运行Vemcache，您需要在系统上安装Docker。您可以按照Docker网站上的说明来安装Docker。
• RUST：要构建和运行Vemcache，您需要在系统上安装生锈和货物。您可以使用Rustup安装它们。

建造vemcache

使用Docker

1. 从dockerhub摘下vemcache图像

docker pull faizchishtie/vemcache

2. 运行图像

docker run --rm -it -p 7070:7070 faizchishtie/vemcache:latest

使用Docker-Compose

将以下内容添加到您的docker-compose.yml

 version: "3.7"

services:
  vemcache:
    image: faizchishtie/vemcache:latest
    ports:
      - "7070:7070"
    environment:
      - VEMCACHE_HOST=0.0.0.0
      - VEMCACHE_PORT=7070
      - VEMCACHE_SECRET=mysecret

本地

1. 克隆vemcache存储库：

git clone https://github.com/faizchishtie/vemcache.git
cd vemcache

2. 构建Vemcache：

make build

3. 运行vemcache

make run

使用Vemcache

使用TCP客户端（例如telnet或nc连接到Vemcache。

使用telnet连接到Vemcache

telnet 0.0.0.0 7070

或使用nc

nc 0.0.0.0 7070

连接后，您可以通过发送命令与Vemcache服务器进行交互。

插入向量

要将向量插入数据库中，请使用insert命令，然后使用向量值：

insert 0.5 0.7 0.2

要使用指定密钥插入向量，请使用nuper_insert命令，然后使用键和向量值：

named_insert my_vector 0.5 0.7 0.2

检索向量

要使用其密钥从数据库中检索向量，请使用get命令，然后使用键：

get my_vector

去除向量

要使用其密钥从数据库中删除向量，请使用remove命令，然后使用键：

remove my_vector

执行向量操作

要计算两个向量之间的余弦相似性，请使用vcosine命令，然后使用两个向量的键：

vcosine vector1 vector2

要找到向量的k最近的邻居，请使用knn命令，然后使用查询向量的键和k的值：：

knn query_vector 3

要执行两个向量的元素添加，请使用vadd命令，然后使用两个向量的键：

vadd vector1 vector2

要执行两个向量的元素减法，请使用VSUB命令，然后使用两个向量的键：

vsub vector1 vector2

要按标量值扩展向量，请使用vScale命令，然后使用向量的键和标量值：

vscale vector1 2.0

倾倒数据库

要将数据库转移到JSON文件中，请使用dump命令，然后使用该文件的路径：

dump vemcache.json

关闭连接

要退出客户端，请按CTRL+C或键入退出（如果使用Telnet）。

这是vemcache用于向量操作的基本用法。有关每个命令的更高级操作和详细说明，请参阅Vemcache文档。

示例会话

 # User connects to Vemcache using telnet
$ telnet 0.0.0.0 7070
Trying 0.0.0.0...
Connected to 0.0.0.0.
Escape character is ' ^] ' .

# User inserts a vector with the key "vector_a"
named_insert vector_a 0.5 0.7 0.2
OK

# User inserts another vector with the key "vector_b"
named_insert vector_b 0.1 0.9 0.4
OK

# User retrieves the vector with the key "vector_a"
get vector_a
[0.5, 0.7, 0.2]

# User calculates the cosine similarity between "vector_a" and "vector_b"
vcosine vector_a vector_b
Cosine Similarity: 0.8693

# User finds the nearest neighbor of "vector_a" (k=2)
knn vector_a 2
ID: vector_a, Vector: [0.5, 0.7, 0.2]
ID: vector_b, Vector: [0.1, 0.9, 0.4]

# User performs element-wise addition of "vector_a" and "vector_b"
vadd vector_a vector_b
[0.6, 1.6, 0.6]

# User scales "vector_a" by a factor of 2
vscale vector_a 2.0
[1.0, 1.4, 0.4]

# User removes "vector_a" from the database
remove vector_a
OK

# User attempts to retrieve "vector_a" again (expecting an error)
get vector_a
null

# Dump vemcache db
dump vemcache.json
Database dump successful: vemcache.json

# User exits the session
quit
Connection closed by foreign host.