当前位置：首页 > news >正文

向量数据库技术系列四-FAISS介绍

news 来源：原创 2025/8/15 5:09:24

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：

d(dimension),待构造向量的维度
nb，待构造的向量库中的数据量。
nq，待构造的检索向量的数据量。
index_type,索引的类型，索引类型有很多种，可以参考这篇文章(Faiss(4)：索引(Index)_faiss index-CSDN博客),主要类型如下:

1、Flat(暴力检索)，该方法是Faiss所有index中最准确的，召回率最高的方法，但速度慢，占内存大，一般用于小于50万数据，且内存不紧张的场景中。

2、IVFx Flat(倒排暴力检索)，通过倒排的思想，先聚类中心，通过减少搜索范围，提升搜索效率，相比Flat其速度大大提升，建议百万级向量可以使用。IVFx中的x是k-means聚类中心的个数，比如"IVF100,Flat"。

3、PQx(乘积量化)，将一个向量的维度切成x段，进行检索在取交集，得出最后的Top-K，其速度很快，而且占用内存较小，召回率也相对较高。适用于内存及其稀缺，并且需要较快的检索速度，不那么在意召回率。Qx中的x为将向量切分的段数，如"PQ16"。

4、LSH(局部敏感哈希),局部敏感哈希依赖碰撞来进行分桶和聚类，聚类较近的归属同一个桶的概率很大。其index占内存很小，检索也比较快，但是召回率非常拉垮，适用于候选向量库非常大，离线检索，内存资源比较稀缺的情况。

5、HNSWx（分层导航），这是一种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，召回率也非常惊人，但是内存占用极大，适用于于不在乎内存，并且有充裕的时间来构建index。HNSWx中的x为构建图时每个点最多连接多少个节点。

这里我们为了演示，选用简单的Flat模式。

metric_type，相似度距离，主要有METRIC_L2(欧几里得距离，L2距离)，METRIC_INNER_PRODUCT(余弦相似度)。这里我们选用余弦相似度。

3、准备向量数据构建库索引

由于FAISS没有默认的向量化模型，我们暂且直接使用向量数据来构建。首先使用numpy库创建向量数据。

# 一，准备向量库向量
print('============================== 1,base vector ==============================')
np.random.seed(1234)                             #设置种子
xb = np.random.random((nb, d)).astype('float32') #生成nb行，d列的数组，并转为float32类型
xb[:, 0] += np.arange(nb) / 1000.                # 第一列添加唯一的偏移量
faiss.normalize_L2(xb)                           #对向量进行L2归一化
print('xb.shape = ',xb.shape,'\n')#============================== 1,base vector ==============================
#xb.shape =  (100000, 64)

这里准备了100000行64维的向量数据。接下来就添加到库中，并构建索引。

# 二，构建向量库索引
print('============================== 2,create&train ==============================')
index = faiss.index_factory(d,index_type,metric_type)    #通过ndex_factory构建索引，等价于 faiss.IndexFlatIP(d)     
print('index.is_trained=',index.is_trained)             # 输出为True，代表该类index不需要训练，只需要add向量进去即可
index.train(xb)
index.add(xb)                                      # 将向量库中的向量加入到index中
print('index.ntotal=',index.ntotal,'\n')           # 输出index中包含的向量总数，为100000 #============================== 2,create&train ==============================
#index.is_trained= True
#index.ntotal= 100000

4、准备查询向量数据并向量检索

有了数据后，就可以检索。这里准备10000行待检索的向量数据。

# 三，准备查询向量
print('============================== 3,query vector ==============================')
xq = np.random.random((nq, d)).astype('float32') #准备nq行，d维的查询向量数组
xq[:, 0] += np.arange(nq) / 1000.                # 待检索的query向量
faiss.normalize_L2(xq)
print('xq.shape = ',xq.shape,'\n')

检索并返回前5个向量的最相似结果。

# 四，相似向量查询
print('============================== 4, search ==============================')
k = 4                       # topK的K值
D, I = index.search(xq, k)  # xq为待检索向量，返回的I为每个待检索query最相似TopK的索引list，D为其对应的距离print('nearest vector ids:\n',I[:5],'\n')
print('metric(distances/scores) to query:\n',D[-5:],'\n')#============================== 4, search ==============================
#nearest vector ids:
# [[ 207  381 1394 1019]
# [ 300  911  142  526]
# [ 838 1541  527  148]
# [ 196  359  184  466]
# [ 526  120  917  765]]#metric(distances/scores) to query:
# [[0.87687665 0.86128217 0.85667735 0.85451   ]
# [0.870294   0.8666884  0.8593493  0.852314  ]
# [0.86291504 0.8580746  0.8538497  0.84994483]
# [0.86920005 0.8660047  0.8647547  0.8634623 ]
# [0.85396254 0.8491496  0.84744585 0.8432566 ]]

5、新增和删除索引向量

对于现有的向量数据，可以通过add和remove_ids指令进行新增和删除。

# 五，增删索引向量
print('============================== 5, add&remove ==============================')
xa = np.random.random((10000, d)).astype('float32')  #新增10000行
xa[:, 0] += np.arange(len(xa)) / 1000.                
faiss.normalize_L2(xa)
index.add(xa)                     
print('after add, index.ntotal=',index.ntotal) 
index.remove_ids(np.arange(1000,1111))               #删除1000-1111的向量
print('after remove, index.ntotal=',index.ntotal,'\n') #============================== 5, add&remove ==============================
#after add, index.ntotal= 110000
#after remove, index.ntotal= 109889

6、保存并加载索引

以上创建好的索引可以持久化保存到本地，并重新读取继续操作。

# 六，保存加载索引
print('============================== 6, write&read ==============================')
faiss.write_index(index, "large.index")
index_loaded = faiss.read_index('large.index')
print('index_loaded.ntotal=', index_loaded.ntotal)

三、案例实践

接下来，我们将一些短语，通过嵌入式模型向量化后，再通过FAISS进行检索。其输入和输出短语与上一篇一样。

首先安装sentence_transformers库，使用它加载预训练嵌入式模型，

pip install sentence_transformers

嵌入式模型使用all-MiniLM-L6-v2，与上篇保持一致。如果本地没有该模型，会自动从hungface上下载，如果网络的原因，要使用其国内的镜像。

import os
#使用hf的国内镜像,设置为环境变量
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'from sentence_transformers import SentenceTransformer
import faiss
import numpy as np# 加载预训练模型,使用ll-MiniLM-L6-v2最为embedding模型
model = SentenceTransformer("all-MiniLM-L6-v2")

对待加载以及待检索的短语进行向量化

# 待加载的短语
corpus = ["海内存知己，天涯若比邻","大漠孤烟直，长河落日圆","春眠不觉晓，处处闻啼鸟","会当凌绝顶，一览众山小","海上生明月，天涯共此时","举头望明月，低头思故乡","山重水复疑无路，柳暗花明又一村","不识庐山真面目，只缘身在此山中","采菊东篱下，悠然见南山","谁言寸草心，报得三春晖","忽如一夜春风来，千树万树梨花开","落霞与孤鹜齐飞，秋水共长天一色","青山遮不住，毕竟东流去","春江潮水连海平，海上明月共潮生","两岸猿声啼不住，轻舟已过万重山","问渠那得清如许？为有源头活水来","竹外桃花三两枝，春江水暖鸭先知","身无彩凤双飞翼，心有灵犀一点通","众里寻他千百度，蓦然回首，那人却在，灯火阑珊处","莫愁前路无知己，天下谁人不识君"
]
# 通过embedding模型将短语向量化
corpus_embeddings = model.encode(corpus)# 待查询短语
query = "明月几时有，把酒问青天"
# 通过embedding模型将查询短语向量化
query_embedding = model.encode([query])

初始化faiss索引，并将短句的向量数据添加到索引中

# 初始化 Faiss 索引
dimension = corpus_embeddings.shape[1]  # 向量维度
print("dimension:", dimension)
index = faiss.IndexFlatL2(dimension)  # 使用 L2 距离
index.add(corpus_embeddings)  # 添加语料库向量到索引

检索待查询语句的相似语句，并返回前top5

# 检索与查询向量最接近的前 k 个结果
k = 5  # 返回前 5 个最相似的结果
distances, indices = index.search(query_embedding, k)# 打印检索结果
print("Query:", query)
print("Top K Results:")
for i, idx in enumerate(indices[0]):print(f"Rank {i+1}: {corpus[idx]} (Distance: {distances[0][i]:.4f})")

打印的结果如下：

Query: 明月几时有，把酒问青天
Top K Results:
Rank 1: 举头望明月，低头思故乡 (Distance: 0.4828)
Rank 2: 海上生明月，天涯共此时 (Distance: 0.5092)
Rank 3: 青山遮不住，毕竟东流去 (Distance: 0.5768)
Rank 4: 海内存知己，天涯若比邻 (Distance: 0.5937)
Rank 5: 莫愁前路无知己，天下谁人不识君 (Distance: 0.5976)

可以看到与前一篇的结果一致。

四、总结

本文介绍了FAISS的基本用法，并通过案例实践，演示了嵌入向量，创建索引以及检索的过程。

附件

向量数据库技术系列一-基本原理

向量数据库技术系列二-Milvus介绍

向量数据库技术系列三-Chroma介绍