深圳响应式设计企业网站,网页设计版面设计图,公司简介模板免费doc,怎样看出一个网站是那个公司做的首先介绍annoy : 转发空间#xff1a;https://download.csdn.net/blog/column/10872374/114665212
Annoy是高维空间求近似最近邻的一个开源库。
Annoy构建一棵二叉树#xff0c;查询时间为O(logn)。
Annoy通过随机挑选两个点#xff0c;并使用垂直于这个点的等距离超平面…首先介绍annoy : 转发空间https://download.csdn.net/blog/column/10872374/114665212
Annoy是高维空间求近似最近邻的一个开源库。
Annoy构建一棵二叉树查询时间为O(logn)。
Annoy通过随机挑选两个点并使用垂直于这个点的等距离超平面将集合划分为两部分。
如图所示图中灰色线是连接两个点超平面是加粗的黑线。按照这个方法在每个子集上迭代进行划分。
依此类推直到每个集合最多剩余k个点下图是一个k 10 的情况。 n_trees在构建时提供并影响构建时间和索引大小。 较大的值将给出更准确的结果但更大的索引。
search_k在运行时提供并影响搜索性能。 较大的值将给出更准确的结果但将需要更长的时间返回。
代码实现
pip install annoy 1.17.0 -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn
from tqdm import tqdm
import pandas as pd
import time
import numpy as np
from annoy import AnnoyIndex
from sentence_transformers import SentenceTransformer, InputExample
from sentence_transformers import models, losses
from torch.utils.data import DataLoader
from sentence_transformers import SentenceTransformer, util
from sentence_transformers import SentenceTransformer, SentencesDataset, InputExample, evaluation, losses, models
from torch.utils.data import DataLoader
model SentenceTransformer(r327_6epoch_64batchdjwSaveModel/djwSaveModel)
emb1 model.encode(美赞臣安婴儿A亲舒婴儿奶粉1段850克0-12个月宝宝)
print(emb1.shape)
emb2 model.encode(美赞臣亲舒一段领券满减)
emb3 model.encode(真手表打火机带手电筒真车钥匙电子手表打火机充电防风送男友潮)
cos_sim util.pytorch_cos_sim(emb1, emb2)
cos_sim1 util.pytorch_cos_sim(emb3, emb2)
print(Cosine-Similarity:, cos_sim,cos_sim1)
corpus_data pd.read_csv(corpus.tsv,sep\t,headerNone,names[doc_id,title])#读取csv文件
corpus_title_datacorpus_data[title].values
qrels_train_data pd.read_csv(qrels.train.tsv,sep\t,headerNone,names[query_id,doc_id])#读取csv文件
dev_id_query_data []
dev_querytxt_data[]
with open(dev.query.txt,r,encodingutf-8) as f:linesf.readlines()for line in lines:dev_id_query_data.append(line.split(\n)[0].split(\t))dev_querytxt_data.append(line.split(\n)[0].split(\t)[1])
print(len(dev_querytxt_data))
print(dev_querytxt_data[0:10])
f128
t AnnoyIndex(f, angular) # Length of item vector that will be indexed
for index_i, i in tqdm(enumerate(dev_querytxt_data)): # len 是1000embi model.encode(i)t.add_item(index_i, embi)# if index_i100:break
for index_j, j in tqdm(enumerate(corpus_title_data)): # 1001500embj model.encode(j)t.add_item(index_j 1000, embj)# if index_j 100: break
t.build(500)
t.save(327_6epoch_64batchdjwSaveModel_embeedding.ann)两个超参数需要考虑 树的数量n_trees和搜索过程中检查的节点数量search_k
基本上建议在可用负载量的情况下尽可能大地设置n_trees并且考虑到查询的时间限制建议将search_k设置为尽可能大。
n_trees: 在构建期间提供影响构建时间和索引大小。值越大结果越准确但索引越大。
search_k: 在运行时提供并影响搜索性能。值越大结果越准确但返回的时间越长。如果不提供就是n_trees * n n是最近邻的个数
u AnnoyIndex(f, angular)
u.load(ceshi_embeedding.ann)
for i in range(100):tempu.get_nns_by_item(i,4)print(dev_querytxt_data[i])for idx in temp[1:]:print(corpus_title_data[idx-1000])print(------------------------------------------------------------)Facebook: 亿级向量相似度检索库Faiss原理
Faiss的核心原理其实就两个部分
Product Quantizer, 简称PQ.
Inverted File System, 简称IVF.2 Product Quantizer 在做PQ之前首先需要指定一个参数M这个M就是指定向量要被切分成多少段在上图中M4所以向量库的每一个向量就被切分成了4段然后把所有向量的第一段取出来做Clustering得到256个簇心256是一个作者拍的经验值再把所有向量的第二段取出来做Clustering得到256个簇心直至对所有向量的第N段做完Clustering从而最终得到了256*M个簇心。
做完Cluster就开始对所有向量做Assign操作。这里的Assign就是把原来的N维的向量映射到M个数字以N128M4为例首先把向量切成四段然后对于每一段向量都可以找到对应的最近的簇心 ID4段向量就对应了4个簇心 ID一个128维的向量就变成了一个由4个ID组成的向量这样就可以完成了Assign操作的过程 – 现在128维向量变成了4维每个位置都只能取0~127这就完成了向量的压缩。
完成了PQ的Pre-train就可以看看如何基于PQ做向量检索了
同样是以N128M4为例对于每一个查询向量以相同的方法把128维分成4段32维向量然后计算每一段向量与之前预训练好的簇心的距离得到一个4*256的表。然后就可以开始计算查询向量与库里面的向量的距离。此时库的向量已经被量化成M个簇心 ID而查询向量的M段子向量与各自的256个簇心距离已经预计算好了所以在计算两个向量的时候只用查M次表比如的库里的某个向量被量化成了[124, 56, 132, 222], 那么首先查表得到查询向量第一段子向量与其ID为124的簇心的距离然后再查表得到查询向量第二段子向量与其ID为56的簇心的距离…最后就可以得到四个距离d1、d2、d3、d4查询向量跟库里向量的距离d d1d2d3d4。所以在提出的例子里面使用PQ只用4×256次128/4维向量距离计算加上4xN次查表而最原始的暴力计算则有N次128维向量距离计算很显然随着向量个数N的增加后者相较于前者会越来越耗时。
2 Inverted File System 要想减少需要计算的目标向量的个数做法就是直接对库里所有向量做KMeans Clustering假设簇心个数为1024。那么每来一个query向量首先计算其与1024个粗聚类簇心的距离然后选择距离最近的top N个簇只计算查询向量与这几个簇底下的向量的距离计算距离的方法就是前面说的PQ。Faiss具体实现有一个小细节就是在计算查询向量和一个簇底下的向量的距离的时候所有向量都会被转化成与簇心的残差这应该就是类似于归一化的操作使得后面用PQ计算距离更准确一点。使用了IVF过后需要计算距离的向量个数就少了几个数量级最终向量检索就变成一个很快的操作。
import faissnlist 100
m 8 ##每个向量分8段
k 4 ##求4-近邻
quantizer faiss.IndexFlatL2(d) # 内部的索引方式依然不变
index faiss.IndexIVFPQ(quantizer, d, nlist, m, 8) # 每个向量都被编码为8个字节大小
index.train(xb)
index.add(xb)
index.nprobe 10
D, I index.search(xq, k) # 检索
print(I[-5:])
