向量搜索查询faiss、annoy

1. 介绍

当面试程序员时,面试官经常会问:"如果在数百万个向量中查找与给定的向量最相似的向量,你会如何操作?" 这是一个非常典型的机器学习面试问题。 这里介绍的两个库:faiss和annoy,是这个问题的两个常用解决方案。

2. Faiss

2.1 Faiss介绍

Faiss是Facebook AI Research团队开发的一种高效的相似向量搜索工具。它利用了多个CPU和GPU,并且通常比其他相似向量搜索工具快2-3倍。 Faiss支持各种输入,但是它最适合以术语“large-scale”或“big data”运行的向量数据。

2.2 Faiss使用方式

使用faiss相似度搜索,您需要定义四个输入参数:

- N是向量的数量

- D是向量的维度

- X是形状为(N, D)的向量组

- q是形状为(M, D)的查询向量

这些参数经常与训练集和测试集相关。 数据集的大小可以通过输入N来确定。 每个向量的维数可以通过输入D来确定。 现在我们有X和q. 如下所示,“X”矩阵包含三个向量以及它们的相应向量ID,q是我们的查询向量

import faiss

import numpy as np

d = 64

nb = 5000

nq = 100

np.random.seed(1234)

xb = np.random.random((nb, d)).astype('float32')

xb[:, 0] += np.arange(nb) / 1000.

xq = np.random.random((nq, d)).astype('float32')

xq[:, 0] += np.arange(nq) / 1000.

#建立索引

index = faiss.IndexFlatL2(d)

# 添加矢量到索引中

index.add(xb)

# 搜索

k = 4

D, I = index.search(xb[:5], k) #搜索5个最近的邻居

print(I)

print(D)

输出

array([[  0, 514,   7,   4],

[ 1, 9, 367, 52],

[ 2, 169, 3, 293],

[ 3, 67, 23, 263],

[ 4, 0, 514, 7]])

array([[0. , 2.853418, 3.020032, 3.065527],

[0. , 2.789154, 2.815496, 3.058163],

[0. , 2.612029, 2.939454, 2.955015],

[0. , 2.461938, 2.787858, 3.002960],

[0. , 2.853418, 3.020032, 3.065527]], dtype=float32)

搜索的返回值“D”和“I”分别包含k个最近邻居的距离和索引。这意味着,如果k = 4,则搜索结果将为每个查询点返回形状为(m,4)的数组

3. Annoy

3.1 Annoy介绍

Annoy是另一个开源库,用于快速相似向量搜索。要使用Annoy搜索和检索系统,您需要先构建一个索引,该索引存储所有向量,并具有关于这些向量的元数据。 这些元数据可以是代表向量的单个字符串,也可以是可对向量进行映射的数字ID。

3.2 Annoy使用方式

以下是使用Annoy搜索模块进行相似向量搜索的步骤示例:

pip install annoy

f = 40

t = AnnoyIndex(f, 'angular')

for i in range(nb):

v = xb[i]

t.add_item(i, v)

t.build(10)

t.save('test.ann')

u = AnnoyIndex(f, 'angular')

u.load('test.ann')

result = []

for i in I:

r = u.get_nns_by_item(i, 4)

result.append(r)

print(result)

我们使用AnnoyIndex类构建了一个索引。 可以通过调用AnnoyIndex类的add_item()方法将标识符和其相应的向量添加到索引中。 为了构建索引,可以调用索引的build()方法,最后,可以通过调用save()方法将索引保存到磁盘。 为了从磁盘加载索引,可以实例化一个新的AnnoyIndex类并调用其load()方法。

在搜索过程中,我们使用“get_nns_by_item”函数检索与提供的向量编号相对应的最邻近邻居。 它返回一个列表,其中包含与每个搜索向量最相似的向量的标识符。

4. 总结

在大规模向量数据的情况下,Faiss和Annoy都是非常有用的工具。 Faiss更适合大规模数据处理,可以利用GPU加速查询并且其查询速度更快。然而,建立并训练一个FAISS模型并不是非常容易,因为很多参数需要调整。Annoy则更加简单易用,建立索引的时间更短,但是它的查询速度较慢。在用户使用它们之前,最好根据自己的需求仔细选择,并使用性能比较测试技术来比较它们的正确性和精度。

此外,随着信息技术日益发展,有许多其他的数据查询方法可以被使用。一些提及的数据查询方法包括:Ball Tree,KD Tree,Locality Sensitive Hashing,Tree-Saving,以及 Metric Tree等

免责声明:本文来自互联网,本站所有信息(包括但不限于文字、视频、音频、数据及图表),不保证该信息的准确性、真实性、完整性、有效性、及时性、原创性等,版权归属于原作者,如无意侵犯媒体或个人知识产权,请来电或致函告之,本站将在第一时间处理。猿码集站发布此文目的在于促进信息交流,此文观点与本站立场无关,不承担任何责任。

后端开发标签