向量检索（二）Faiss 不同索引的性能

IVF + Flat 索引的性能

sift1m 数据集合， 指定 nlist 为 16384，对搜索的性能做测试，
机器环境： Mac Pro 2020, Intel, 16G 内存

index = faiss.index_factory(d, "IVF16386,Flat")
index.train(xb)
index.add(xb)

index.nprobe = 256
D, I = index.search(xq, k)
recall(I)
1
2
3
4
5
6
7

nprobe = 256时，不论取 nlist = 16384, 还是 nlist = 4096， recall 都接近1， 响应时间 < 4ms 单个请求。

这是每次执行单个搜索请求的性能。 当一次执行多个向量（一次检索100个，10000个 query）的检索时，整体的耗时变化不大。 faiss 并行检索的性能非常好。

sfit1m 的数据集， IVF Flat 的索引大约为 520M，创建索引的时间约为 5 分钟。

参考：
https://github.com/facebookresearch/faiss/issues/23
http://ann-benchmarks.com/index.html
https://github.com/facebookresearch/faiss/wiki/Indexing-1M-vectors

IVF + HNSW 索引的参数与性能

IVF 索引，聚类的中心点数量建议设置在 4096 以上。

1 million 的数据索引， 推荐设置 nlist 值为 65536， 这种情况下需要 30*nlist == 1.97M 的向量来传入到 index.train 做训练。

就 sift1m 128维度的数据来说， 对于 IVF+HNSW 的索引， 由于数据量不够 1.97M， 使用 nlist=4096能够得到一个很好的召回率。

index = faiss.index_factory(d, "IVF4096_HNSW32,Flat")
index.train(xb)
index.add(xb)

D, I = index.search(xq, k)
recall(I)

%%timeit
index.search(xq, k)

index.nprobe = 146
D, I = index.search(xq, k)
recall(I)

%%timeit
index.search(xq, k)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

不同的 nprobe 跑出来的 recall 和搜索耗时 （1million sift1m 数据）

HNSW 有很好的召回和检索性能， 缺点是内存消耗大。 Sift1M 128维的数据集，索引大小约在 523M+， 内存耗用大约也是这个大小。

不同索引类型的召回率

从图中可以看出来， 当 nprobe 设置为 150 左右时，IVF4096, HNSW32 的召回率为 1。

参考：
https://www.pinecone.io/learn/composite-indexes/
https://www.pinecone.io/learn/hnsw/