Faiss能解决什么问题?Faiss是什么?

1. Faiss能解决什么问题?

为了比较两个结构化的数据是否相似,例如两张图片是不是类似,两段文本表达的含义是否类似,则需要将非结构化的数据先转成向量数据,然后再进行相似度比较。

如何通过向量化技术比较非结构化数据,可以参考:https://www.cnblogs.com/twosedar/p/18973770

问题来了,在一群数据中找到两个相似度最高的向量数据,最常用的是暴力搜索法,也就是逐一遍历所有向量,计算距离(如欧氏距离、余弦相似度),虽准确,但时间复杂度高,无法处理百万级以上数据。

这个问题在2015年严重困扰了Facebook公司的技术团队,因为作为当时世界上最大的社交网站,时刻要处理数十亿的图片,然后根据用户喜好推荐相似的内容。

于是Facebook成立专门的项目组开展了研究,最终在2017年取得重大突破,研发出了Faiss(Facebook AI Similarity Search),专门用于解决大规模向量数据的快速搜索问题。Faiss可以在17.7微秒完成10亿图像搜索。而传统的暴力搜索算法,往往需要数小时。

2017年3月项目组发表论文《Billion-scale similarity search with GPUs》公开了核心技术(论文地址 https://arxiv.org/pdf/1702.08734 ),开源了源代码(代码地址:https://github.com/facebookresearch/faiss)。

Faiss的发布引起了业界轰动。
2. Faiss具体是什么?

Faiss本质是一个算法库,核心能力是快速完成大规模(例如十亿规模)向量数据的相似度搜索。它的关键能力是解决了大规模向量检索慢的问题。

它使用 C++语言 实现,并提供 Python封装的库和接口。

业界有人会称Faiss是向量数据库,但Faiss不是传统意义上的数据库,因为它并不具备数据持久化存储的能力,但它是很多向量数据库(例如Milvus)的核心引擎,因为向量数据库最核心的能力就是相似度搜索。

Faiss有点像向量搜索时代的"Linux内核"。

3. Faiss具体长什么样子?

可以通过一个Python代码中调用Faiss库看一下Faiss具体长什么样子。

首先,如果想在python中使用Faiss,则需要安装Faiss库。

Faiss提供CPU和GPU版本,如果做简单验证,可以使用CPU版本。可以使用pip安装
# pip install faiss-cpu

然后编写一段代码,利用Faiss在模拟数据(10个4维向量)中找到和被搜索向量相似度最近的3个向量,并打印出来。

复制代码
# 步骤1(前置条件):安装Faiss(CPU版)
# pip install faiss-cpu

import numpy as np
import faiss

# 步骤2:创建模拟数据(10个4维向量)
dim = 4  # 向量维度
database = np.array([
    [0.1, 0.2, 0.3, 0.4],
    [0.5, 0.6, 0.7, 0.8],
    [0.9, 1.0, 1.1, 1.2],
    [0.3, 0.2, 0.1, 0.1],
    [1.0, 0.5, 0.0, 0.5],
    [0.2, 0.3, 0.4, 0.5],
    [0.7, 0.8, 0.9, 1.0],
    [0.0, 0.1, 0.2, 0.3],
    [0.4, 0.5, 0.6, 0.7],
    [0.6, 0.7, 0.8, 0.9]
], dtype='float32')

# 步骤3:创建Faiss索引(最简单的平面索引)
index = faiss.IndexFlatL2(dim)  # 指定Faiss通过计算向量间L2距离(欧氏距离)作为索引类型
                                # 其他的索引类型还有很多,例如IndexIVFFlat(倒排索引),IndexIVFPQ(量化索引)等

# 步骤4:添加模拟数据到索引中
index.add(database)
print(f"索引包含向量数: {index.ntotal}")

# 步骤5:执行相似度搜索
query_vector = np.array([[0.25, 0.25, 0.25, 0.25]], dtype='float32')  # 自定义一个被查询的向量
k = 3  # 返回最相似的3个结果

distances, indices = index.search(query_vector, k)  # 核心代码,使用Faiss索引搜索相识度最近的3个结果

# 步骤6:解读结果
print("\n=== 搜索结果 ===")
print(f"查询向量: {query_vector[0]}")
print(f"最相似的{k}个向量索引: {indices[0]}")
print(f"对应距离: {distances[0]}")

# 打印具体向量
print("\n匹配的向量:")
for i, idx in enumerate(indices[0]):
    print(f"Top {i+1}: {database[idx]} (距离: {distances[0][i]:.4f})")

以上代码的打印结果

索引包含向量数: 10
=== 搜索结果 ===

查询向量: [0.25 0.25 0.25 0.25]

最相似的3个向量索引: [0 3 7]

对应距离: [0.05 0.05 0.09]
匹配的向量:

Top 1: [0.1 0.2 0.3 0.4] (距离: 0.0500)

Top 2: [0.3 0.2 0.1 0.1] (距离: 0.0500)

Top 3: [0. 0.1 0.2 0.3] (距离: 0.0900)

4. Faiss发展里程碑

1)2017年:横空出世

论文《Billion-scale similarity search with GPUs》发表

首秀即巅峰:在Deep1B数据集刷新10亿向量搜索速度纪录。

2)2020年:催生新物种

基于Faiss 的专业向量数据库崛起,典型代表是 Milvus。

3)2023至今:大模型时代基础设施

Faiss成为RAG(检索增强生成)的核心组件。

相关推荐
飞哥数智坊24 分钟前
别再组团队了,AI时代一个人就能创业
人工智能·创业
严文文-Chris1 小时前
GPT5的Test-time compute(测试时计算)是什么?
人工智能
Java中文社群1 小时前
白嫖ClaudeCode秘籍大公开!超详细
人工智能·后端
MicrosoftReactor1 小时前
技术速递|使用 AI 应用模板扩展创建一个 .NET AI 应用与自定义数据进行对话
人工智能·.net
迪菲赫尔曼2 小时前
大模型入门实战 | 基于 YOLO 数据集微调 Qwen2.5-VL-3B-Instruct 的目标检测任务
人工智能·yolo·目标检测·大模型·微调·新手入门·qwen2.5
MARS_AI_2 小时前
云蝠智能 Voice Agent:多语言交互时代的AI智能语音呼叫
人工智能·自然语言处理·交互·语音识别
THMAIL3 小时前
深度剖析Spring AI源码(七):化繁为简,Spring Boot自动配置的实现之秘
人工智能·spring boot·spring
机器之心4 小时前
谷歌nano banana正式上线:单图成本不到3毛钱,比OpenAI便宜95%
人工智能·openai
兰亭妙微4 小时前
从线到机:AI 与多模态交互如何重塑 B 端与 App 界面设计
人工智能·小程序·交互·用户体验设计公司