1.速度与精度指标参数
1.选择索引家族
2.选择索引参数
通过 faiss.index_factory() 调用实例化索引是很常见的。但这种实例化方式将索引参数设置为安全值，同时存在许多与速度相关的参数。许多 Faiss 组件可以利用：
- 编码时使用的迭代算法；迭代次数越多，召回率就越高
- HNSW:
efConstruction - ResidualQuantizer:
niter_codebook_refine - LocalSearchQuantizer:
encode_ils_iters,icm_iters,train_iters,encode_ils_iters(for vector codecs)
- HNSW:
- 启发式方法限制训练或搜索过程中考虑的可能候选者的数量，例如 束搜索。评估的候选越多，召回率就越高。
- IndexBinaryIVF:
nprobe,max_codes - IndexIVF:
nprobe,max_codes - ResidualQuantizer:
max_beam_size - HNSW:
efSearch
- IndexBinaryIVF:
- 其他可选版本，例如基于 LUT 的近似值；他们允许以速度换取准确性
- IndexIVFPQ:
do_polysemous_training,polysemous_ht,use_precomputed_table - IndexIVFPQFastScan:
use_precomputed_table - IndexPQ:
do_polysemous_training,polysemous_ht,search_type - ResidualQuantizer:
use_beam_LUT,approx_topk_mode,train_type - LocalSearchQuantizer:
update_codebooks_with_double
- IndexIVFPQ:
- 针对特定情况优化的计算，例如大批量 IVF 搜索。
- 用于处理块输入数据的各种内部缓冲区；见下文。
- 随机数生成器；这些用于确保结果可以重现。
在大多数情况下，默认索引参数应该工作得相当好。但强烈建议研究可用参数，以便在您的特定速度与精度与 RAM 情况下找到最佳点。
秘诀：研究所选 index 及其 subindexes 的可用参数。
3.K-均值聚类
K-means 聚类是 Faiss 内部经常使用的工具。默认情况下，faiss/Clustering.h 中的 k-means 实现使用 25 次迭代（niter 参数）和每个集群所需的输入数据集中最多 256 个样本（max_points_per_centroid 参数）。样本是随机选择的。
例如，默认的 PQx12 训练比 PQx10 训练慢约 4 倍，比 PQx8 训练慢约 16 倍，因为输入数据集中使用的样本数量比例较高。
基于 IVF 的索引默认使用 10 次 k 均值迭代（faiss/IndexIVF.h、faiss/IndexBinaryIVF.h、faiss/gpu/GpuIndexIVF.cu）。
秘诀：使用 k 均值聚类 niter 和 max_points_per_centroid 参数。
4.查询批次
Faiss 针对批量样本的处理进行了优化，而不是逐个处理样本。
在内部，Faiss 以比调用者执行并行化更有效的方式对批处理元素进行并行化。
秘诀：如果合适的话，尝试分批处理样本
5.PQ训练的train_shared训练模式
考虑对 PQ 使用 Train_shared 训练模式，该模式用于为所有子量化器训练单个码本，而不是为每个子量化器训练单独的码本。
这显着减少了 10 位或 12 位 PQ 的训练时间，但代价是准确性。