Faiss(二)基础索引

参考链接：

Faiss入门及应用经验记录 - 知乎

Faiss indexes · facebookresearch/faiss Wiki · GitHub

Faiss提供了多种索引，本篇介绍一些基础索引。

基础索引

Method	Class name	index_factory	Main param	Exhaustive	Comments
精确搜索--L2	IndexFlatL2	"Flat"	d--向量维数	是	暴力搜索
精确搜索--内积(IP)	IndexFlatIP	"Flat"	d	是	也可以将向量标准化后使用cosine相似度
Hierarchical Navigable Small World(HNSW)图搜索	IndexHNSWFlat	"HNSWx,Flat"	d	否	x表示构建图索引时每个节点最多连接多少个节点
倒排索引(IVF)	IndexIVFFlat	"IVFx,Flat"	quantizer(量化器),d,nlists(聚类个数),metric(相似度度量)	否	x对应参数中的nlists,表示聚类个数
局部敏感哈希表(LSH)	IndexLSH	-	d,nbits	是
标量量化(SQ)(flat)	IndexScalarQuantizer	"SQx"	d	是	x表示编码位数，可以是4bits，6bits，8bits
乘积量化(PQ)(flat)	IndexPQ	"PQx", "PQ"x"x"nbits	d,M,nbits	是	x对应参数中的M，表示将d维向量分成几个子向量,nbits表示用几个bit表示向量
IVF + SQ	IndexIVF-ScalarQuantizer	"IVFx,SQ4" "IVFx,SQ8"	quantizer.d. nlists,qtype	否
IVFADC(粗量化器+PQ残差)	IndexIVFPQ	"IVFx,PQ"y"x"nbits	quantizer.d.nlists, M,nbits	否
IVFADC+R(与IVFADC相同，增加了重新排序-re-ranking)	IndexIVFPQR	"IVFx,PQy+z"	quantizer.d. nlists,M,nbits, M_refine, nbits_refine	否

(1)Flat---暴力检索

Flat indexes只是将向量编码为固定大小的代码，并将它们存储在ntotal * code_size字节数组中。
在搜索时，所有索引向量被顺序解码，并与查询向量进行比较。对于IndexPQ，比较是在压缩域中完成的，速度更快。

• 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；
• 缺点：速度慢，占内存大。
• 使用情况：向量候选集很少，在50万以内，并且内存不紧张。

代码示例：

param =  'Flat'
index = faiss.index_factory(dim, param, faiss.METRIC_L2)
index.is_trained                                   # 输出为True
index.add(xb)                                      # 向index中添加向量

（2）IVFx Flat---倒排暴力检索

采用一种像k-means的分区技术加快检索进程，但损失一定精确度。相应的算法有时被称为cell-probe方法。

• 优点：IVF主要利用倒排的思想，在文档检索场景下的倒排技术是指，一个kw后面挂上很多个包含该词的doc，由于kw数量远远小于doc，因此会大大减少了检索的时间。在向量中如何使用倒排呢？可以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。
• 缺点：速度也还不是很快。
• 使用情况：同Flat，
• 参数：IVFx中的x是k-means聚类中心的个数

代码示例：

param =  'IVF100, Flat'                          # 代表k-means聚类中心为100,   
index = faiss.index_factory(dim, param, faiss.METRIC_L2 )
print(index.is_trained)                          # 此时输出为False，因为倒排索引需要训练k-means，
index.train(xb)                                  # 因此需要先训练index，再add向量
index.add(xb)    

（3）PQx---乘积量化

• 优点：利用乘积量化的方法，改进了普通检索，将一个向量的维度切成x段，每段分别进行检索，每段向量的检索结果取交集后得出最后的TopK。因此速度很快，而且占用内存较小，召回率也相对较高。
• 缺点：召回率相较于暴力检索，下降较多。
• 使用情况：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
• 参数：PQx中的x为将向量切分的段数，因此，x需要被向量维度整除，且x越大，切分越细致，时间复杂度越高;nbits表示用几个bit表示向量，只能取8，12，16。

代码示例：

param =  'PQ16' 
index = faiss.index_factory(dim, param, faiss.METRIC_L2 )
print(index.is_trained)                          # 此时输出为False，因为倒排索引需要训练k-means，
index.train(xb)                                  # 因此需要先训练index，再add向量
index.add(xb) 

（4）IVFxPQy---倒排乘积量化

• 优点：工业界大量使用此方法，各项指标都均可以接受，利用乘积量化的方法，改进了IVF的k-means，将一个向量的维度切成x段，每段分别进行k-means再检索。
• 缺点：集百家之长，自然也集百家之短
• 使用情况：一般来说，各方面没啥特殊的极端要求的话，最推荐使用这种方法
• 参数：IVFx，PQy，其中的x和y同上

代码示例：

coarse_quantizer = faiss.IndexFlatL2 (d)
index = faiss.IndexIVFPQ (coarse_quantizer, d,
                          ncentroids, code_size, 8)
index.nprobe = 5

（5）LSH---局部敏感哈希

• 原理：哈希对大家再熟悉不过，向量
• 也可以采用哈希来加速查找，我们这里说的哈希指的是局部敏感哈希（Locality Sensitive Hashing，LSH），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。摘自这篇文章。
• 优点：训练非常快，支持分批导入，index占内存很小，检索也比较快
• 缺点：召回率非常拉垮。在候选语料比较多的时候（亿级别），检索也不是特别快，大概是秒级别的。
• 使用情况：候选向量库非常大，离线检索，内存资源比较稀缺的情况

代码示例：

n_bits = 2 * d
lsh = faiss.IndexLSH (d, n_bits)
lsh.train (x_train)
lsh.add (x_base)
D, I = lsh.search (x_query, k)

(6)HNSWx

• 优点：该方法为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：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）
• 参数：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。
• 使用情况：不在乎内存，并且有充裕的时间来构建index
• IndexHNSW支持的Flat索引有：IndexHNSWFlat (no encoding), IndexHNSWSQ (scalar quantizer), IndexHNSWPQ (product quantizer), IndexHNSW2Level (two-level encoding).

代码示例：

param =  'HNSW64' 
index = faiss.index_factory(dim, param, faiss.METRIC_L2 )  
print(index.is_trained)                          # 此时输出为True 
index.add(xb)

其中（1）（2）（3）（6）通过类构造器建立索引，（4）（5）通过index_factory建立索引，两种方式都可以。