faiss安装

git项目的安装教程：

• https://github.com/facebookresearch/faiss/blob/main/INSTALL.md

使用Anaconda安装

使用Anaconda安装使用faiss是最方便快速的方式，facebook会及时推出faiss的新版本conda安装包，在conda安装时会自行安装所需的libgcc, mkl, numpy模块。

faiss的cpu版本目前仅支持Linux和MacOS以及Windows操作系统，gpu版本提供可在Linux操作系统下用CUDA编译的版本。

先更新conda以及mkl

#更新conda
conda update conda

#安装mkl
conda install mkl

安装cpu版本

# CPU-only version
$ conda install -c pytorch faiss-cpu

# GPU(+CPU) version
$ conda install -c pytorch faiss-gpu

# or for a specific CUDA version
$ conda install -c pytorch faiss-gpu cudatoolkit=10.2 # for CUDA 10.2

按如下方式安装夜间预发布软件包：

# CPU-only version
$ conda install -c pytorch/label/nightly faiss-cpu

# GPU(+CPU) version
$ conda install -c pytorch/label/nightly faiss-gpu

从conda-forge安装

Faiss也由conda forge进行包装，conda forge是conda的社区驱动包装生态系统。包装工作正在与Faiss团队合作，以确保高质量的包构建。

由于conda forge的全面基础设施，甚至可能会出现某些构建组合在conda forge中得到支持，而pytorch渠道不支持这些构建组合。要安装，请使用

# CPU version
$ conda install -c conda-forge faiss-cpu

# GPU version
$ conda install -c conda-forge faiss-gpu

从源码安装

Faiss可以使用CMake来源地构建。

Faiss在Linux，OSX和Windows上支持X86_64机器。它也可以在其他平台上运行，请参阅其他平台。

基本要求是：

• C ++ 11编译器（支持OpenMP支持版本2或更高版本）
• Blas实现（强烈建议使用Intel MKL以获得最佳性能）

可以选择的要求：

• 对于GPU设备：

  • nvcc
  • CUDA toolkit

• python要求：

  • python 3
  • numpy
  • swig

如果有问题的话，请参考该页面：

• Troubleshooting

步骤1：调用cmake

$ cmake -B build .

这在构建/子目录中生成了系统相关的配置/构建文件。

几个选项可以传递给cmake，其中：

• 常规选项：

  • -DFAISS_ENABLE_GPU=OFF 禁用GPU指数（可能的值 ON和OFF）

  • -DFAISS_ENABLE_PYTHON=OFF 禁用构建python绑定（可能的值ON和OFF）

  • -DBUILD_TESTING=OFF禁用C ++测试

  • -DBUILD_SHARED_LIBS=ON构建共享库（可能的值 ON和OFF）

• 优化相关选项：

  • -DCMAKE_BUILD_TYPE=Release以启用通用编译器优化选项（例如，在GCC上启用 -03）

  • -DFAISS_OPT_LEVEL=avx2以便使用优化的SIMD指令（可能的值是generic, sse4, avx2,）生成代码的所需编译器标志（可能的值）

• BLAS相关的选项：

  • -DBLA_VENDOR=Intel10_64_dyn -DMKL_LIBRARIES=/path/to/mkl/libs使用Intel Mkl Blas实现，这比OpenBlas更快（更多信息可以在CMake文档中找到Bla_Vendor选项的值），

• GPU相关的选项：

  • -DCUDAToolkit_ROOT=/path/to/cuda-10.1为了提示CUDA工具包的路径（有关更多信息，请参阅CMake文档），
  • -DCMAKE_CUDA_ARCHITECTURES="75;72”，用于指定要构建的GPU架构（参见CUDA文档以确定您应该选择哪个架构）

• Python相关的选项：

  • -DPython_EXECUTABLE=/path/to/python3.7才能为不同的Python构建Python接口而不是默认值（请参阅CMake文档）

步骤2：调用Make

$ make -C build -j faiss

这构建了C ++库（默认情况下，libfaiss.so如果-DBUILD_SHARED_LIBS=ON被传递给CMake）。

-j选项启用了多个单元的并行编译，导致更快的构建，但增加内存不足的机会，在这种情况下建议将-j选项设置为固定值（例如-j4）。

步骤3： 构建python依赖（可选）

$ make -C build -j swigfaiss
$ (cd build/faiss/python && python setup.py install)

第一个命令构建faiss的python绑定，而第二个命令生成并安装python包。

步骤4： 安装C ++库和header（可选）

$ make -C build install

这将使编译的库（Libfaiss.a或libfaiss.so上的linux）提供系统范围，以及C ++ header，仅需要此步骤才能仅安装Python包。

步骤5： 测试（可选）测试

测试c++套件

要运行整个测试套件，请确保使用-DBUILD_TESTING=ON调用CMake，并运行：

$ make -C build test

测试python套件

$ (cd build/faiss/python && python setup.py build)
$ PYTHONPATH="$(ls -d ./build/faiss/python/build/lib*/)" pytest tests/test_*.py

简单例子

一个使用案列可以在demos/demo_ivfpq_indexing.cpp参考

它创建了一个小索引，存储它并执行一些搜索。正常的运行时大约20s。使用快速机器和英特尔MKL的BLAS，大约耗时2.5s。

• 构建

$ make -C build demo_ivfpq_indexing

• 运行

$ ./build/demos/demo_ivfpq_indexing

简单的GPU例子

$ make -C build demo_ivfpq_indexing_gpu
$ ./build/demos/demo_ivfpq_indexing_gpu

这会产生相当于CPU demo_ivfpq_indexing的GPU代码，它还展示了如何将索引转换为GPU。

benchmark

更长时间的示例在Sift1M数据集上运行和评估Faiss。在运行之前，请从http://corpus-texmex.irisa.fr/下载ANN_SIFT1M并将其解压缩到此存储库源目录的根目录的子目录sift1M。

然后编译并运行以下（确保已安装Faiss）：

$ make -c build demo_sift1m
$ ./build/demos/demo_sift1m

这是高级自动调谐API的演示， 可以尝试设置不同的index_key以查找提供最佳性能的索引结构。

真实测试

以下脚本将demo_sift1M`测试扩展到几种类型的索引。这必须从此存储库的源目录的根目录运行：

$ mkdir tmp  # graphs of the output will be written here
$ python demos/demo_auto_tune.py

它将循环通过几种类型的索引并找到最佳操作点，可以使用索引类型进行游戏。

真实GPU测试

上面的示例也在GPU上运行。编辑demos/demo_auto_tune.py，修改第100行

keys_to_test = keys_gpu
use_gpu = True

运行以下代码测试GPU代码

$ python demos/demo_auto_tune.py

参考

• https://github.com/facebookresearch/faiss/blob/main/INSTALL.md
• https://github.com/liqima/faiss_note
• https://www.cnblogs.com/zealousness/p/8757290.html