向量数据库技术系列四-FAISS介绍

最新推荐文章于 2025-10-30 12:29:14 发布

原创

最新推荐文章于 2025-10-30 12:29:14 发布 · 2k 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#faiss #数据库 #向量

一、前言

FAISS（Facebook AI Similarity Search）是由Facebook AI Research开发的一个开源库，主要用于高效地进行大规模相似性搜索和聚类操作。主要功能如下：

向量索引与搜索：FAISS提供了多种索引和搜索向量的方法，包括暴力搜索（Flat）、倒排索引（IVF）、分层可导航小世界图（HNSW）和乘积量化（PQ）等。这些方法可以根据应用场景在速度、准确性和内存使用之间进行权衡。
支持多种距离度量：FAISS支持多种距离度量方式，如L2距离（欧几里得距离）、余弦相似度和内积（点积），适用于不同的应用场景。
CPU和GPU支持：FAISS能够利用CPU和GPU加速索引和搜索过程，在大规模数据集上表现出色，尤其适合需要实时搜索的场景。

具有以下的特点：

高效性：FAISS针对大规模数据集进行了优化，能够快速处理数十亿向量。
可扩展性：FAISS设计用于处理大规模数据集，能够有效管理数十亿向量。
灵活性：FAISS允许用户根据应用需求调整索引和搜索参数，并且可以动态添加、更新和删除向量。
开源性：作为开源库，FAISS提供了广泛的定制化和集成能力。

二、基本操作

1、安装版本

faiss分为cpu和gpu两个版本，一般情况下，安装cpu版本就够用了。

# 安装CPU版本
pip install faiss-cpu

# 安装GPU版本（需要CUDA支持）
pip install faiss-gpu

2、导入库并设置基本参数

import faiss
import numpy as np 

# 〇，基本参数设置
d = 64                                           # 向量维度
nb = 100000                                      # index向量库的数据量
nq = 1000                                        # 待检索query的数目
index_type = 'Flat'                              # index 类型
metric_type = faiss.METRIC_INNER_PRODUCT         # 度量(相似度/距离)类型

引入numpy库是为了后续构造多维数组数据。我们先定义向量索引的主要参数，其说明如下：