facebook faiss的安装测试

Faiss 是由 Facebook AI Research（FAIR）开发的一个用于有效的相似性搜索（similarity search）和稠密矢量聚类（clustering of dense vectors）的库。它包含了在任何大小的向量集合里进行搜索的算法，向量集合的大小甚至可以达到装不进 RAM。它还包含了用于评估和参数调优的支持代码。Faiss 是用 C ++编写的，带有 Python / numpy 的完整包装。其中最有用的一些算法是在 GPU 上实现的。

针对这个开源的好东西，非常想测试一下，于是从开源地址：https://github.com/facebookresearch/faiss下载了源码进行查看和编译

主要安装过程参照github上faiss的安装文档，这里记录一些安装时遇到的问题。

1.

Faiss is compiled via a Makefile. The system-dependent configuration of the Makefile is in an include file, makefile.inc. The variables in makefile.inc must be set by hand.

在faiss-master根目录下复制修改后的makefile.inc文件,其中cuda使用的是8.0版本makefile.inc must be set by hand.

2.To check that the link flags are correct, and verify whether the

implementation uses 32 or 64 bit integers, you can make tests/test_blas

and run执行test_blas是会打印出error,但是这个程序中直接打印出来的,并没有进行条件判断,因此运行是成功的./tests/test_blas

3.　Once the proper BLAS flags are set, the library should compile

smoothly by running make A basic usage example is in　tests/demo_ivfpq_indexing

tests/demo_ivfpq_indexing

其中对索引在1234-1242的9个向量搜索其最近邻邻居,最近的应该是它本身,distance应该为0,但是由于量化误差,导致距离不为0.

4.

Real-life test -------------- The following script extends the demo_sift1M test to several types of indexes: export PYTHONPATH=. # needed because the script is in a subdirectory python python/demo_auto_tune.py 执行高亮语句前，需要在faiss-master的根目录下创建tmp目录，不然在最终的写入时会报错。写入tmp中的图片如下：python python/demo_auto_tune.py

再看了下FAISS原理，Faiss 是围绕一种存储了一个向量集的索引类型（index type）而构建的，并且提供了一个使用 L2 和/或点积向量比较在其中进行搜索的函数。一些索引类型是简单的基线，比如精准搜索。大部分可用的索引结构都对应了与以下方面的权衡：

• 搜索时间
• 搜索质量
• 每个索引向量所用的内存
• 训练时间
• 无监督学习时对外部数据的需求