数据库管理-第153期 Oracle Vector DB AI-05（20240221）

本文主要是介绍数据库管理-第153期 Oracle Vector DB AI-05（20240221），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

数据库管理-第153期 Oracle Vector DB & AI-05（20240221）

作者：胖头鱼的鱼缸（尹海文）
Oracle ACE Associate: Database（Oracle与MySQL）
网思科技 DBA总监
10年数据库行业经验，现主要从事数据库服务工作
拥有OCM 11g/12c/19c、MySQL 8.0 OCP、Exadata、CDP等认证
墨天轮MVP、认证技术专家，ITPUB认证专家，OCM讲师
圈内拥有“总监”、“保安”、“国产数据库最大敌人”等称号，非著名社恐（社交恐怖分子）
公众号：胖头鱼的鱼缸；CSDN：胖头鱼的鱼缸（尹海文）；墨天轮：胖头鱼的鱼缸；ITPUB：yhw1809。
除授权转载并标明出处外，均为“非法”抄袭。

继续继续，本期将开始引入部分实操内容。

1 Oracle Vector的其他特性

• SQL Join
  支持相似性搜索JOIN关系型数据。
• 复杂、融合SQL
  – 支持所有类型的工作负载和数据模型:
  Graph, Text, JSON, Spatial, Relational, etc.
  – 支持所有 SQL，包括复杂的运算和功能:
  Window analytic functions, stored procedures, aggregation
• 与向量搜索组合成复杂的、融合的SQL

在企业应用中，相似性搜索Joins关系型数据非常常见。需要企业级基于成本的优化器来决定选择Join和向量索引使用等。就现有的专用向量数据库而言，不可能做到以上功能。

示例1：

返回其中包含与此查询文本相似的文本，其中该书的类型为“小说”，作者来自“危地马拉（Guatemala）”的前5本书

Select pageID from Authors, Books, Pages where Authors.authorID = Books.authorID and Books.bookID = Pages.bookID and Books.bookGenre = 'Fiction' and Author.authorCountry = 'Guatemala'
order by vector_distance(pageVec, :queryVec) fetch approx first 5 rows only;

示例2

显示过去5年中根据与所提供查询图像的相似性按年份分组的前3张照片。这些照片应该是在距离旧金山20英里的范围内拍摄的，至少有100人观看过。

2 简单使用Oracle Vector

环境

项目	内容
OS	OracleLinux 9.3
DB	Oracle DB 23c
HOSTNAME	oradb23c
CDB	orcl
PDB	orclpdb1

由于Oracle DB 21c开始，Oracle取消了Non-CDB，因此后续操作都在PDB中执行。

创建包含Vector数据类型的表

vector数据类型作为Oracle DB 23c默认自带的数据类型，不需要类似于其他数据库那样的额外操作。

create table flower_vec (id number primary key,flower_image blob,flower_vector vector);

插入向量数据

这里我从百度随便找了一张花的图片，复制到/home/oracle/flower下，文件名为flower_example.png。

首先先创建一个基础表用来生成图片的二进制数据：

create table flower (flower_image blob);

导入图片二进制信息：

create directory flower_dir as '/home/oracle/flower';declarel_bfile bfile;l_blob blob;
begininsert into flower(flower_image) values (empty_blob()) return flower_image into l_blob;l_bfile := bfilename ('FLOWER_DIR','flower_example.png');dbms_lob.open(l_bfile, dbms_lob.file_readonly);dbms_lob.loadfromfile(l_blob,l_bfile,dbms_lob.getlength(l_bfile));dbms_lob.close(l_bfile);commit;
end;
/

生成向量数据并导入：
这里使用Python来生成向量数据并插入，关于SQL EMBEDDING放在正式版出来以后再测试：

from towhee import pipe, ops
p = (pipe.input('path').map('path', 'img', ops.image_decode()).map('img', 'vec', ops.image_embedding.timm(model_name='resnet50')).output('vec')
)
vector_data = p('flower_example.png').get()-->最终生成2048维度的向量，这里感谢我同事郑安宁同学提供的脚本

由于2048维度的向量超过了sqlplus支撑长度（Oracle Vector是支持至少4096维度的），因此只截取了前10个向量：

insert into flower_vec select 1,flower_image,to_vector('[0.050895579159259796,0.002409987384453416,0,0.01872553676366806,0.01558636873960495,0,0.0197914931923151,0,0.00522683234885335]') from flower;

总结

本期介绍了Oracle Vector的其他特性意见简单的实战使用。下一期将依据Oracle Livelabs中的介绍进行进一步探索。
老规矩，知道写了些啥。

这篇关于数据库管理-第153期 Oracle Vector DB AI-05（20240221）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---