结构体 faiss::IndexNSGSQ

struct IndexNSGSQ : public faiss::IndexNSG

SQ 索引，顶部带有一个 NSG 结构，以便更高效地访问元素。

公共类型

using component_t = float
using distance_t = float

公共函数

IndexNSGSQ()
IndexNSGSQ(int d, ScalarQuantizer::QuantizerType qtype, int M, MetricType metric = METRIC_L2)
void build(idx_t n, const float *x, idx_t *knn_graph, int GK)
virtual void add(idx_t n, const float *x) override

向索引添加维度为 d 的 n 个向量。

向量隐式分配标签 ntotal .. ntotal + n - 1 此函数将输入向量切分成小于 blocksize_add 的块，并调用 add_core。

参数：

  • n – 向量的数量

  • x – 输入矩阵，大小为 n * d

virtual void train(idx_t n, const float *x) override

如果需要，训练存储。

virtual void search(idx_t n, const float *x, idx_t k, float *distances, idx_t *labels, const SearchParameters *params = nullptr) const override

搜索的入口点

virtual void reconstruct(idx_t key, float *recons) const override

重建存储的向量（如果是有损编码，则是近似值）

此函数可能未针对某些索引定义

参数：

  • key – 要重建的向量的 ID

  • recons – 重建的向量（大小为 d）

virtual void reset() override

从数据库中删除所有元素。

void check_knn_graph(const idx_t *knn_graph, idx_t n, int K) const
virtual void add_with_ids(idx_t n, const float *x, const idx_t *xids)

与 add 相同，但存储 xids 而不是序列 ID。

默认实现会因断言而失败，因为并非所有索引都支持它。

参数：

  • n – 向量的数量

  • x – 输入向量，大小为 n * d

  • xids – 如果非空，则为要存储的向量的 ID（大小为 n）

virtual void range_search(idx_t n, const float *x, float radius, RangeSearchResult *result, const SearchParameters *params = nullptr) const

将维度为 d 的查询向量 n 添加到索引中。

返回所有距离 < radius 的向量。请注意，许多索引未实现 range_search（只有 k-NN 搜索是强制性的）。

参数：

  • n – 向量的数量

  • x – 要搜索的输入向量，大小为 n * d

  • radius – 搜索半径

  • result – 结果表

virtual void assign(idx_t n, const float *x, idx_t *labels, idx_t k = 1) const

返回与查询 x 最接近的 k 个向量的索引。

此函数与 search 相同，但仅返回邻居的标签。

参数：

  • n – 向量的数量

  • x – 要搜索的输入向量，大小为 n * d

  • labels – NNs 的输出标签，大小为 n*k

  • k – 最近邻的数量

virtual size_t remove_ids(const IDSelector &sel)

从索引中删除 ID。并非所有索引都支持。返回删除的元素数量。

virtual void reconstruct_batch(idx_t n, const idx_t *keys, float *recons) const

重建多个存储的向量（如果是有损编码，则重建近似值）

此函数可能未针对某些索引定义

参数：

  • n – 要重建的向量数

  • keys – 要重建的向量的 ID (大小 n)

  • recons – 重建的向量 (大小 n * d)

virtual void reconstruct_n(idx_t i0, idx_t ni, float *recons) const

重建向量 i0 到 i0 + ni - 1

此函数可能未针对某些索引定义

参数：

  • i0 – 序列中第一个向量的索引

  • ni – 序列中向量的数量

  • recons – 重建的向量 (大小 ni * d)

virtual void search_and_reconstruct(idx_t n, const float *x, idx_t k, float *distances, idx_t *labels, float *recons, const SearchParameters *params = nullptr) const

类似于 search，但也重建了搜索结果的存储向量（或者在有损编码的情况下进行近似）。

如果查询的结果不足，则生成的数组将填充 -1。

参数：

  • n – 向量的数量

  • x – 要搜索的输入向量，大小为 n * d

  • k – 提取的向量数

  • distances – 输出成对距离，大小为 n*k

  • labels – NNs 的输出标签，大小为 n*k

  • recons – 重建的向量大小 (n, k, d)

virtual void compute_residual(const float *x, float *residual, idx_t key) const

在索引编码后计算残差向量。

残差向量是一个向量与其在索引中的表示可以解码的重建之间的差异。 残差可用于多阶段索引方法，例如 IndexIVF 的方法。

参数：

  • x – 输入向量，大小为 d

  • residual – 输出残差向量，大小为 d

  • key – 编码索引，由 search 和 assign 返回

virtual void compute_residual_n(idx_t n, const float *xs, float *residuals, const idx_t *keys) const

在索引编码后计算残差向量（批量形式）。 等同于为每个向量调用 compute_residual。

残差向量是一个向量与其在索引中的表示可以解码的重建之间的差异。 残差可用于多阶段索引方法，例如 IndexIVF 的方法。

参数：

  • n – 向量的数量

  • xs – 输入向量，大小 (n x d)

  • residuals – 输出残差向量，大小 (n x d)

  • keys – 编码索引，由 search 和 assign 返回

virtual DistanceComputer *get_distance_computer() const

获取一个 DistanceComputer (定义在 AuxIndexStructures 中) 对象，用于此类索引。

DistanceComputer 针对支持随机访问其向量的索引实现。

virtual size_t sa_code_size() const

生成的代码的大小（以字节为单位）

virtual void sa_encode(idx_t n, const float *x, uint8_t *bytes) const

编码一组向量

参数：

  • n – 向量的数量

  • x – 输入向量，大小为 n * d

  • bytes – 输出编码向量，大小为 n * sa_code_size()

virtual void sa_decode(idx_t n, const uint8_t *bytes, float *x) const

解码一组向量

参数：

  • n – 向量的数量

  • bytes – 输入编码向量，大小为 n * sa_code_size()

  • x – 输出向量，大小为 n * d

virtual void merge_from(Index &otherIndex, idx_t add_id = 0)

将条目从另一个数据集移动到自身。在输出时，other 为空。 add_id 被添加到所有移动的 id (对于顺序 id，这将是 this->ntotal)

virtual void check_compatible_for_merge(const Index &otherIndex) const

检查两个索引是否兼容（即，它们以相同的方式训练并且具有相同的参数）。否则抛出异常。

virtual void add_sa_codes(idx_t n, const uint8_t *codes, const idx_t *xids)

添加使用独立编解码器计算的向量

参数：

  • codes – 要添加的代码，大小为 n * sa_code_size()

  • xids – 相应的 id，大小为 n

公共成员

NSG nsg

链接结构

bool own_fields = false

顺序存储

Index *storage = nullptr
bool is_built = false

索引是否已构建

int GK = 64

用于构建的 KNN 图的 K。

char build_type = 0

指示如何构建 knn 图

int nndescent_S = 10

nndescent 的参数

int nndescent_R = 100
int nndescent_L
int nndescent_iter = 10
int d

向量维度

idx_t ntotal

已索引向量的总数

bool verbose

详细程度

bool is_trained

如果 Index 不需要训练，或者已经完成训练，则设置此项

MetricType metric_type

此索引用于搜索的度量类型

float metric_arg

度量类型的参数