faiss的基本使用方法

最新推荐文章于 2024-08-16 17:07:09 发布

小李飞刀李寻欢

最新推荐文章于 2024-08-16 17:07:09 发布

阅读量3.9k

点赞数 5

分类专栏： NLP与推荐算法文章标签： faiss faiss-gpu 推荐算法召回策略

本文链接：https://blog.csdn.net/SPESEG/article/details/106048137

版权

NLP与推荐算法专栏收录该内容

138 篇文章 60 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文详细介绍了Faiss库的使用，包括IndexFlatL2和IndexFlatIP的区别，以及它们在召回率和计算时间上的权衡。探讨了Faiss在大规模数据集上查询效率的问题，同时提到了GPU上的索引保存与加载，以及遇到的挑战和解决方案。重点讨论了Faiss在余弦相似度计算中的表现，并指出不同参数设置对结果和速度的影响。

摘要由CSDN通过智能技术生成

在官方的使用demo中，我跑了下demo结果一样，但是这个表示的结果是什么意思呢？

faiss.IndexFlatL2(d)

官方解释是暴力搜索L2距离方法，add后即建立索引了，无需index.train(xb)，我对比了，有没有这一步的结果是一样的

得到的D是距离，I是索引，

>>> k=4
>>> D,I=index.search(xb[:5],k)
>>> I
array([[  0, 393, 363,  78],
       [  1, 555, 277, 364],
       [  2, 304, 101,  13],
       [  3, 173,  18, 182],
       [  4, 288, 370, 531]])
>>> D
array([[0.       , 7.1751733, 7.207629 , 7.2511625],
       [0.       , 6.3235645, 6.684581 , 6.7999454],
       [0.       , 5.7964087, 6.391736 , 7.2815123],
       [0.       , 7.2779055, 7.5279865, 7.6628466],

了解本专栏