vemcache

vemcache

Vemcache是​​一個內存矢量數據庫。

可以將vemcache視為矢量數據庫的重新等效物。

入門

先決條件

• Docker：要使用Docker運行Vemcache，您需要在系統上安裝Docker。您可以按照Docker網站上的說明來安裝Docker。
• RUST：要構建和運行Vemcache，您需要在系統上安裝生鏽和貨物。您可以使用Rustup安裝它們。

建造vemcache

使用Docker

1. 從dockerhub摘下vemcache圖像

docker pull faizchishtie/vemcache

2. 運行圖像

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

使用Docker-Compose

將以下內容添加到您的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存儲庫：

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

2. 構建Vemcache：

make build

3. 運行vemcache

make run

使用Vemcache

使用TCP客戶端（例如telnet或nc連接到Vemcache。

使用telnet連接到Vemcache

telnet 0.0.0.0 7070

或使用nc

nc 0.0.0.0 7070

連接後，您可以通過發送命令與Vemcache服務器進行交互。

插入向量

要將向量插入數據庫中，請使用insert命令，然後使用向量值：

insert 0.5 0.7 0.2

要使用指定密鑰插入向量，請使用nuper_insert命令，然後使用鍵和向量值：

named_insert my_vector 0.5 0.7 0.2

檢索向量

要使用其密鑰從數據庫中檢索向量，請使用get命令，然後使用鍵：

get my_vector

去除向量

要使用其密鑰從數據庫中刪除向量，請使用remove命令，然後使用鍵：

remove my_vector

執行向量操作

要計算兩個向量之間的餘弦相似性，請使用vcosine命令，然後使用兩個向量的鍵：

vcosine vector1 vector2

要找到向量的k最近的鄰居，請使用knn命令，然後使用查詢向量的鍵和k的值：：

knn query_vector 3

要執行兩個向量的元素添加，請使用vadd命令，然後使用兩個向量的鍵：

vadd vector1 vector2

要執行兩個向量的元素減法，請使用VSUB命令，然後使用兩個向量的鍵：

vsub vector1 vector2

要按標量值擴展向量，請使用vScale命令，然後使用向量的鍵和標量值：

vscale vector1 2.0

傾倒數據庫

要將數據庫轉移到JSON文件中，請使用dump命令，然後使用該文件的路徑：

dump vemcache.json

關閉連接

要退出客戶端，請按CTRL+C或鍵入退出（如果使用Telnet）。

這是vemcache用於向量操作的基本用法。有關每個命令的更高級操作和詳細說明，請參閱Vemcache文檔。

示例會話

 # 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.