【推荐系统】Faiss index选择

术语等介绍见 关于 Milvus · Open Source Vector Database designed for AI applications

Faiss提供了针对不同场景下应用对Index的封装类，这里我们针对Index基类进行说明。

 我所关心的points

1. IndexIVFPQ、IndexIVFFlat 支持Gpu；
2. IndexFlatIP（内积距离） 支持Gpu；
3. CPU支持并发搜索（batch search），GPU不支持、

Fiass - 常见问题总结 - 一小撮人的文章 - 知乎 https://zhuanlan.zhihu.com/p/107241260

index选择

考虑因素：候选向量的数量级、index所占内存的大小、检索所需时间（是离线检索还是在线检索）、index构建时间、检索的召回率。

Faiss入门及应用经验记录 - 知乎

	Flat ：暴力检索	IVFx Flat ：倒排暴力检索	PQx ：乘积量化	IVFxPQy 倒排乘积量化	LSH 局部敏感哈希	HNSWx
优点	该方法是Faiss所有index中最准确的，召回率最高的方法，没有之一；	IVF利用倒排索引思想，拿出每个聚类中心下的向量ID，每个中心ID后面挂上一堆非中心向量，每次查询向量的时候找到最近的几个中心ID，分别搜索这几个中心下的非中心向量。通过减小搜索范围，提升搜索效率。	利用乘积量化的方法，改进了普通k-means，将一个向量的维度切成x段，每段分别进行k-means。因此速度很快，而且占用内存较小，召回率也相对较高（切4段）	工业界大量使用此方法，各项指标都均可以接受。	不同于传统哈希尽量不产生碰撞，局部敏感哈希依赖碰撞来查找近邻。高维空间的两点若距离很近，那么设计一种哈希函数对这两点进行哈希值计算，使得他们哈希值有很大的概率是一样的，若两点之间的距离较远，他们哈希值相同的概率会很小。不同距离度量的哈希函数不同，不是所有距离度量（如内积）都能找到对应局部敏感哈希。 - 训练非常快，支持分批导入，index占内存很小，检索也比较快	基于图检索的改进方法，检索速度极快，10亿级别秒出检索结果，而且召回率几乎可以媲美Flat，能达到惊人的97%。检索的时间复杂度为loglogn，几乎可以无视候选向量的量级了。并且支持分批导入，极其适合线上任务，毫秒级别体验。
缺点	速度慢，占内存大。	速度也还不是很快	召回率相较于暴力检索，下降较多。		召回率非常拉垮。在候选语料比较多的时候（百万级别），检索也不是特别快，大概是秒级别的。	构建索引极慢，占用内存极大（是Faiss中最大的，大于原向量占用的内存大小）
使用情况	向量候选集很少，在50万以内，并且内存不紧张。	向量候选集很少，在50万以内，并且内存不紧张。	内存及其稀缺，并且需要较快的检索速度，不那么在意召回率。	同PQx	候选向量库非常大，离线检索，内存资源比较稀缺的情况	不在乎内存，并且有充裕的时间来构建index。
是否GPU	GpuIndexFlat 支持	GpuIndexIVFFlat 支持		GpuIndexIVFPQ支持		不支持
是否训练	否	是，因为倒排索引需要训练k-means，因此需要先训练index，再add向量	是，因为倒排索引需要训练k-means，因此需要先训练index，再add向量	同PQx	否	否
参数		IVFx中的x是k-means聚类中心的个数	PQx中的x为将向量切分的段数，因此，x需要能被向量维度整除，且x越大，切分越细致，时间复杂度越高	同PQx		HNSWx中的x为构建图时每个点最多连接多少个节点，x越大，构图越复杂，查询越精确，当然构建index时间也就越慢，x取4~64中的任何一个整数。

• 只要倒排索引就需要train index；

Faiss索引类型怎么选择

1. 是否需要精确的结果?

是，那就得用Flat。

唯一保证百分百准确性的是IndexFlatL2（L2距离）和IndexFlatIP（内积距离）。可以用来做其他索引的baseline，不支持压缩， 不支持add_with_ids，如果需要可以包一层IDMap，用 “IDMap,Flat” 不需要训练、不用指定参数。

支持GPU加速。

2. 内存是否紧张？

faiss的索引全部存在RAM中，速度和内存是tradeoff。

如果一点都不care内存，就用 HNSWx。

如果你有很多内存，或者数据集很小，HNSW是最好的选择，非常快而且准。x的取值在4到64之间，它是指每个向量的连接数量，x值越大，结果越准确，耗费内存越多。efSearch参数用来平衡速度和准确性，内存占用量 d * 4 + x * 2 * 4 一个向量
HNSW也不支持add_with_ids, 所以如果需要，也是加IDMap。

HNSW不需要训练，不支持从索引中删除向量，不支持gpu加速。

3. 如果内存不是要多少有多少，就用 …Flat

“…”前面三个点表示聚类操作，聚类后 Flat索引仅仅把数据组织到对应的bucket中去,它并不压缩数据，索引占用的内存跟原始的数据集大小相当。速度和准确性的tradeoff是通过设置nprobe参数，即搜索的时候，搜多少个聚类。如果等于nlist，将会等同于bruteforce

支持gpu加速，前提是选的聚类方式也要支持gpu。（倒排索引支持GPU加速）

4. 如果很在意内存 就用 PCARx,…,SQ8

这个包括两个操作，一个是PCA，降维到x， 一个是PQ也就是乘积量化，把每个向量元素压缩到一个byte，所以总起来一个向量 x个byte。

不支持gpu加速。

5. 如果非常非常在意内存 就用 OPQx_y,…,PQx

PQx表示压缩向量到x个bytes的乘积量化编码，通常x<=64, 对较大编码 SQ通常差不多准，并且还更快，OPQ是个线性变换帮助压缩
y值的要求：y是x的倍数，y <= d,d是输入数据的维数，y <= 4*x。

支持gpu。

6. 数据量有多大？

这个问题用来确定上面那个三个点 … 数据被聚类到多个bucket里，搜索的时候，只有一部分bucket（nprobe参数）会被搜，聚类是在一堆有代表性的数据样本上做的。

怎么去选训练聚类时候用的样本数据量呢？

如果向量数小于100万，用 “…,IVFx,…”
x的取值范围4sqrt(N)到16sqrt(N), N是索引向量总数。训练聚类的时候则需要30x到256x这么多样本，当然越多越好.

如果向量总数在100万到1000万间, 用”…,IVF65536_HNSW32,…”
IVF和HNSW组合起来，HNSW用来做聚类分配, 需要3065536到25665536的样本训练。

如果向量总数在1000万到一亿间，用”…,IVF262144_HNSW32,…”
跟上面一样，65536换成262144 训练会很慢

如果向量总数在1亿到10亿间, 用”…,IVF1048576_HNSW32,…”
跟上面一样，65536换成1048576 训练会非常慢。

总结一下~

1、如果关心返回精度，可以使用IndexFlatL2，该索引能确保返回精确结果。一般将其作为baseline与其他索引方式对比，以便在精度和时间开销之间做权衡。不支持add_with_ids，如果需要，可以用“IDMap”给予任意定义id。

2、如果关注内存开销，可以使用“..., Flat“的索引，"..."是聚类操作，聚类之后将每个向量映射到相应的bucket。该索引类型并不会保存压缩之后的数据，而是保存原始数据，所以内存开销与原始数据一致。通过nprobe参数控制速度/精度。

3、对内存开销比较关心的话，可以在聚类的基础上使用PQ进行处理。

vearch优点

1. 支持分布式部署；（Faiss不支持分布式储存、检索）
2. 支持实时增量插入；
3. 每条记录可带有标量信息；
4. 支持标量的数值过滤；
5. 使用类似于 ES 的restful api对用户友好；

Milvus根据应用场景选择索引

根据应用场景选择索引 · Open Source Vector Database designed for AI applications

---

 

参考：

笔记︱几款多模态向量检索引擎：Faiss 、milvus、Proxima、vearch、Jina等 - 知乎（多款产品对比，好好好！）

使用Faiss进行海量特征的相似度匹配 - Gemfield的文章 - 知乎

Faiss Indexs 的进一步了解（好好好好好！）