python 余弦相似度计算(faiss)

最新推荐文章于 2025-07-14 23:48:26 发布

supergxt

最新推荐文章于 2025-07-14 23:48:26 发布

阅读量9.3k

点赞数 4

CC 4.0 BY-SA版权

分类专栏： python学习机器学习文章标签： python 机器学习开发语言

本文链接：https://blog.csdn.net/supergxt/article/details/121137489

faiss是一个由Facebook AI Research开发的用于稠密向量相似度搜索和聚类的框架。本文介绍了如何使用faiss进行余弦相似度计算，强调了在向量范数不为一时，IndexFlatIP计算的是余弦距离而非余弦相似度。通过L2归一化处理，可以实现真正的余弦相似度计算，并提供了简单的使用流程和优化技巧。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

faiss

faiss是为稠密向量提供高效相似度搜索和聚类的框架。由Facebook AI Research研发。

详见github https://github.com/facebookresearch/faiss

faiss常用的两个相似度搜索是L2欧氏距离搜索和余弦距离搜索（注意不是余弦相似度）

简单的使用流程：

import faiss 
index = faiss.IndexFlatL2(d)  # 建立L2索引,d是向量维度
index = faiss.IndexFlatIP(d) # 建立Inner product索引
index.add(train)  # 添加矩阵
D,I = index.search(test, k) # (D.shape = test.shape[0] * k, I同理)