ivfsq参数设置

参数

create index ivfsq_name on v using ivfsq(vec distance) with (lists=100,rs=RS_minmax,rs_arg=0, dtype='QT_8bit') ;
set ivfsq.probes = 2;

第一行为默认值，第一列的值不可以省略，其他的列可以进行省略。

参数内容

参数	可选值	说明
vec	vector, Halfvector	向量的类型，分为vector或者Halfvec
distance	vector_l2_ops, vector_ip_ops , vector_cosine_ops	不同的距离计算
lists	1-32768	创建索引的时候，需要创建的聚类中心数
rs	RS_minmax, RS_meanstd, RS_quantiles, RS_optim	量化范围的统计方法。
rs_arg	0, 0.1-0.2, 0.3-0.5	范围缩放因子，根据 rs 方法确定范围扩展比例。
dtype	int8, int4, int6, float16	数据类型，支持无符号量化；例如：int8 表示 8 位整型。
probes	10	查询时会探测的倒排列表的数量。

vec

这两个结构体是 PostgreSQL pgvector 扩展（或类似向量存储扩展）中定义的向量数据结构，主要用于存储高维向量数据，并用于 相似性搜索（ANN, Approximate Nearest Neighbor） 计算。

vector

typedef struct Vector
{
    int32		vl_len_;		/* varlena header (do not touch directly!) */
    int16		dim;			/* number of dimensions */
    int16		unused;			/* reserved for future use, always zero */
    float		x[FLEXIBLE_ARRAY_MEMBER];
} Vector;

Vector 结构体用于 存储高精度（32-bit float 类型）浮点向量。

字段	类型	作用
vl_len_	int32	PostgreSQL 的 varlena 变长存储头，用于管理变长数据结构
dim	int16	向量的维度
unused	int16	预留字段，目前始终为 0
x	float[FLEXIBLE_ARRAY_MEMBER]	实际存储的向量数据（浮点数数组）

🔹 为什么需要这两个向量结构体？
1️⃣ Vector（标准 float 向量）
✅ 优点：
高精度计算，适用于需要精确计算 L2（欧几里得距离）、内积、余弦相似度 等任务。
适用于对计算精度要求较高的应用，如：
高精度图像特征匹配
语义搜索
精确的机器学习推理
❌ 缺点：
占用更多存储空间，对于高维度向量（如 512 维或 1024 维），存储成本较高。

Halfvector

typedef struct HalfVector
{
    int32		vl_len_;		/* varlena header (do not touch directly!) */
    int16		dim;			/* number of dimensions */
    int16		unused;			/* reserved for future use, always zero */
    half		x[FLEXIBLE_ARRAY_MEMBER];
} HalfVector;

HalfVector 结构体用于 存储 16-bit 半精度浮点数（half 类型）。

字段	类型	作用
vl_len_	int32	变长存储头（PostgreSQL varlena 类型）
dim	int16	向量的维度
unused	int16	预留字段，目前始终为 0
x	half[FLEXIBLE_ARRAY_MEMBER]	实际存储的向量数据（半精度浮点数数组）

2️⃣ HalfVector（半精度 half 向量）
✅ 优点：
更少的存储空间（half 是 16-bit，而 float 是 32-bit，节省 50% 存储）。
适用于 近似计算、神经网络和深度学习，因为许多 AI 模型 只需要半精度浮点计算，减少存储成本和计算开销。
适用于 大规模向量索引存储（如 IVFPQ），减少存储占用，提高搜索速度。
❌ 缺点：
计算精度较低，可能导致搜索结果精度下降，不适用于严格要求高精度计算的任务。

两者对比

特性	Vector (float)	HalfVector (half)
存储精度	32-bit 浮点数（高精度）	16-bit 半精度浮点数（低精度）
存储空间	需要更多存储	约 1/2 存储大小（节省 50% 空间）
计算速度	高精度计算，但计算量更大	更快的计算速度，适用于 ANN 近似计算
适用场景	需要高精度计算，如图像搜索、精确相似度匹配	大规模数据存储，减少存储开销，如 ANN、深度学习
缺点	存储开销较大	精度较低，可能影响搜索准确度

distance

✅ 1. vector_l2_ops（L2 距离 / 欧几里得距离）

欧几里得距离（L2 距离）是衡量两个向量在空间中的距离，定义如下：
$d_{\mathrm{L}2}(\mathbf{a},\mathbf{b})=\Vert \mathbf{a}-\mathbf{b}{\Vert }_2=\sqrt{{\sum }_{i=1}^d{\left(a_i-b_i\right)}^2}$
其中：
$\mathbf{a}=(a_1,a_2,\dots ,a_d)$ 是向量 $\mathbf{a}$
$\mathbf{b}=(b_1$