向量数据库Faiss的搭建与利用

Faiss 是 Facebook AI 研究院开发的一种高效的相似性搜索和聚类库，能够快速处理大规模数据，并支持在高维空间中进行相似性搜索。以下是 Faiss 的搭建与利用步骤：
安装 Faiss：
首先，需要在体系上安装 Faiss。它支持 Linux、macOS 和 Windows 操作体系，可以通过 Python 的 pip 包管理器进行安装。在终端中输入以下命令：

1. pip install faiss-cpu

复制代码

假如你的体系有 NVIDIA 的 GPU 而且已经安装了 CUDA，你可以选择安装支持 GPU 的版本：

1. pip install faiss-gpu

复制代码

基本利用示例：
1、导入所需库：

1.     import numpy as np
2.     import faiss

复制代码

2、生成随机数据作为向量数据库：

1.     d = 128  # 维度
2.     nb = 10000  # 数据库大小
3.     np.random.seed(1234)  # 使结果可重复
4.     xb = np.random.random((nb, d)).astype('float32')

复制代码

3、创建索引（这里利用最简朴的 L2 距离索引）：

1.     index = faiss.indexflatl2(d)  # 构建索引
2.     print(index.is_trained)  

复制代码

4、将数据添加到索引中：

1.     index.add(xb)  # 添加向量到索引
2.     print(index.ntotal)  

复制代码

5、生成查询向量并进行搜索：

1.     nq = 5  # 查询向量数量
2.     k = 4  # 想要的相似向量数量
3.     xq = np.random.random((nq, d)).astype('float32')
4.     d, i = index.search(xq, k)  # 进行搜索

复制代码

在上述示例中，i 是一个数组，它包含了每个查询向量的最近的 k 个向量的索引；d 是一个数组，它包含了这些向量的距离。

利用 Faiss 进行图片或文件搜索：

图片搜索时，通常需要通过深度学习模型（如 CNN）将图片转换为向量。比方利用预练习的 ResNet 模型将图片转换为向量：

1. from torchvision import models, transforms
2. from PIL import Image
4. # 加载预训练模型
5. model = models.resnet50(pretrained=True)
6. model = model.eval()
8. # 定义图片变换
9. transform = transforms.Compose([
10.     transforms.Resize(256),
11.     transforms.CenterCrop(224),
12.     transforms.ToTensor(),
13.     transforms.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225))
14. ])
16. # 加载图片
17. image = Image.open('image.jpg')
19. # 应用变换并获取图片向量
20. image = transform(image).unsqueeze(0)
21. image_vector = model(image).detach().numpy()

复制代码

然后将这个向量添加到 Faiss 的索引中，进行相似图片搜索。
文件搜索时，一样平常通过自然语言处理模型（如 BERT）将文件转换为向量。比方利用预练习的 BERT 模型将文本文件转换为向量：

1. from transformers import BertModel, BertTokenizer
3. # 加载预训练模型和分词器
4. model = BertModel.from_pretrained('bert-base-uncased')
5. tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
7. # 加载文本文件
8. with open('file.txt', 'r') as f:
9.     text = f.read()
11. # 分词并获取文本向量
12. inputs = tokenizer(text, return_tensors='pt')
13. outputs = model(**inputs)
14. text_vector = outputs.last_hidden_state.mean(dim=1).detach().numpy()

复制代码

再将该向量添加到 Faiss 索引中，实现相似文件搜索。
Faiss 中不同索引范例的先容与选择：

• indexflatl2：利用欧氏距离（L2）进行准确检索。假如采用此索引结构，查询向量需要和索引中每个向量计算 L2 距离，然后进行排序，末了将距离较小的前 k 个结果返回。注意：indexflatl2 索引不需要练习过程。
  
• indexivfflat：利用倒排索引结构，将数据集划分为多个聚类空间，以加速搜索。在查询阶段，首先定位到大概包含相似向量的聚类中央，然后在该聚类中央附近进行准确搜索。构建索引时需要指定聚类空间的数量 nlist，并进行练习。
  
• indexivfpq：利用 product quantization（PQ）技术进行有损压缩，以节省内存。在查询阶段，返回近似结果。需要指定空间拆分的数量 m 和聚类空间的数量 nlist，同样要进行练习。
  
• indexhnswflat：基于图索引的方式，包括 regular graph（图中每个顶点具有相同数目的邻居）、random graph（图中每个顶点的邻居数是随机的）和 small world graph（介于 regular 与 random 之间）。此中 hnsw 是 hierarchical navigable small world 的缩写，即分层的 NSW。它整体可分为图构造过程和图检索过程，通过构建分层的 NSW 图来进步搜索服从。
  

在选择索引范例时，可以考虑以下因素：

• 简朴场景：假如只需较少次查询，发起利用 “flat” 索引直接计算，由于建索引时间不能被查询时间弥补。假如全部数据不能放入 RAM 内存，则可分多次构建小索引，末了再将小索引查询结果合并。假如需要确切结果，则需要利用 indexflatl2 大概 indexflatip。
  
• 内存考量：假如不关注（如内存较大或数据集较小），hnsw 是较好的选择，它不仅快而且准。比 hnsw 更快的选择是 ivf1024, pqnx4fs, rflat。假如稍微考虑内存，则采用先聚类再 “flat” 索引的方式。假如内存比力紧张，则采用 opqm_d,…, pqmx4fsr，此中 opq 用来降维，pq 对向量进行量化。假如非常紧张，则采用 opqm_d,…, pqm，此中 d 和 m 有特定要求。
  
• 数据集大小：假如数据集大小在 100 万以下，可采用 …, ivfk,…；在 100 万到 1000 万之间，可采用 …, ivf65536_hnsw32,…，练习向量数发起在 30 * 65536 和 256 * 65536 之间；在 1000 万到 1 亿之间，可采用 …, ivf262144_hnsw32,…，练习向量数发起在 30 * 262144 和 256 * 262144 之间；在 1 亿以上，可采用 …, ivf1048576_hnsw32,…，练习向量数发起在 30 * 1048576 和 256 * 1048576 之间。
  

实际应用中，需根据详细的需求和数据特点来选择符合的索引范例，以平衡搜索速度、准确性和内存占用等因素。同时，Faiss 还提供了一些高级功能和优化选项，可以根据详细环境进一步调解和优化搜索性能。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。