文件 GpuDistance.h
-
namespace faiss
实现了多种变体的 k-means 聚类。
版权所有 (c) Facebook, Inc. 及其附属公司。
此源代码根据 MIT 许可获得许可，该许可位于此源树的根目录中的 LICENSE 文件中。
IDSelector 旨在定义要处理的向量子集（用于移除或作为搜索的子集）
PQ4 SIMD 压缩和累加函数
基本内核将 nq 查询向量与 bbs = nb * 2 * 16 个向量累加，并生成该向量的输出矩阵。 对于 nq * nb <= 4 很有用，否则寄存器溢出变得太大。
这些函数的实现分布在 3 个 cpp 文件中，以减少并行编译时间。 模板被显式实例化。
此文件包含用于计算距离的内核的回调。
在整个库中，向量以 float * 指针的形式提供。 当批量处理（添加/搜索）多个向量时，大多数算法都可以得到优化。 在这种情况下，它们作为矩阵传入。 当大小为 d 的 n 个向量作为 float * x 提供时，向量 i 的分量 j 是
x[ i * d + j ]
其中 0 <= i < n 且 0 <= j < d。 换句话说，矩阵始终是紧凑的。 在指定矩阵的大小时，我们称其为 n*d 矩阵，这意味着行优先存储。
I/O 函数可以读取/写入到文件名、文件句柄或抽象介质的对象。
读取函数返回应使用 delete 释放的对象。 这些对象中的所有引用都归该对象所有。
倒排列表的定义 + 一些实现该接口的常见类。
由于 IVF（倒排文件）索引对于大规模用例非常有用，因此我们将与它们相关的一些函数组合在这个小型库中。 大多数函数都可以在 IndexIVF 和嵌入在 IndexPreTransform 中的 IndexIVF 上工作。
此文件包含 L2 和内积之外的额外指标的实现
实现一些神经网络层，主要用于支持 QINCo
定义一些将变换应用于一组向量的对象 通常这些是预处理步骤。
-
namespace gpu
枚举
函数
-
bool should_use_cuvs(GpuDistanceParams args)
一个根据各种条件（例如，不支持的架构）确定是否应使用 cuVS 的函数
-
void bfKnn(GpuResourcesProvider *resources, const GpuDistanceParams &args)
gpu/impl/Distance.cuh 的一个包装器，用于在外部提供的内存区域（例如，来自 pytorch 张量）上公开直接的暴力 k 近邻搜索。 数据（向量、查询、outDistances、outIndices）可以驻留在 GPU 或 CPU 上，但所有计算都在 GPU 上执行。 如果结果缓冲区位于 CPU 上，则完成后会将结果复制回来。
所有 GPU 计算都在当前的 CUDA 设备上执行，并且相对于 resources->getDefaultStreamCurrentDevice() 排序。
对于
queries中的每个向量，搜索所有vectors以找到其 k 个最近邻，并以给定的度量为准
-
void bfKnn_tiling(GpuResourcesProvider *resources, const GpuDistanceParams &args, size_t vectorsMemoryLimit, size_t queriesMemoryLimit)
-
void bruteForceKnn(GpuResourcesProvider *resources, faiss::MetricType metric, const float *vectors, bool vectorsRowMajor, idx_t numVectors, const float *queries, bool queriesRowMajor, idx_t numQueries, int dims, int k, float *outDistances, idx_t *outIndices)
已弃用的旧版实现。
-
结构体 GpuDistanceParams
- #include <GpuDistance.h>
暴力 GPU k 近邻搜索的参数。
公共成员
-
faiss::MetricType metric = METRIC_L2
搜索参数：距离度量。
-
float metricArg = 0
搜索参数：距离度量参数（如果适用）。 对于 metric == METRIC_Lp，这是 p 值
-
int k = 0
搜索参数：返回 k 个最近邻 如果提供的值为 -1，则我们报告所有成对距离，而不进行 top-k 过滤
-
int dims = 0
向量维度。
-
const void *vectors = nullptr
如果 vectorsRowMajor 为 true，则这是 numVectors x dims，其中 dims 是最里面的；否则，dims x numVectors，其中 numVectors 是最里面的
-
DistanceDataType vectorType = DistanceDataType::F32
-
bool vectorsRowMajor = true
-
const float *vectorNorms = nullptr
为
vectors中的每个向量预先计算的 L2 范数，可以选择提前提供以加速 METRIC_L2 的计算
-
const void *queries = nullptr
如果 queriesRowMajor 为 true，则这是 numQueries x dims，dims 在最内层；否则，dims x numQueries，numQueries 在最内层
-
DistanceDataType queryType = DistanceDataType::F32
-
bool queriesRowMajor = true
-
float *outDistances = nullptr
大小为 numQueries x k 的内存区域，如果 k > 0，则 k 在最内层（行优先）；如果 k == -1，则大小为 numQueries x numVectors 的内存区域
-
bool ignoreOutDistances = false
我们是否只关心报告的索引，而不是输出距离？ 如果 k == -1（所有成对距离）则不使用
-
IndicesDataType outIndicesType = IndicesDataType::I64
大小为 numQueries x k 的内存区域，k 在最内层（行优先）。 如果 k == -1（所有成对距离）则不使用
-
void *outIndices = nullptr
-
int device = -1
搜索应在哪个 GPU 设备上运行？ -1 表示使用当前 CUDA 线程局部设备（通过 cudaGetDevice/cudaSetDevice） 否则，整数 0 <= device < numDevices 表示执行设备
-
bool use_cuvs = false
索引是否应分派到 cuVS？
-
faiss::MetricType metric = METRIC_L2
-
bool should_use_cuvs(GpuDistanceParams args)
-
namespace gpu