IndexHNSWFlat din biblioteca Facebook AI Similarity Search (FAISS) combină structura ierarhică HNSW cu vectori necomprimați (Flat), oferind cel mai ridicat nivel de recall dintre toate variantele FAISS.
Exemplu de antrenare și căutare
import faiss
import numpy as np
d = 128 # Dimensiunea vectorului
M = 32 # Conexiuni per nod în graf
index = faiss.IndexHNSWFlat(d, M)
index.hnsw.efSearch = 64
# Generare 10.000 vectori aleatorii de test
date = np.random.random((10000, d)).astype('float32')
index.add(date)
# Căutare cei mai apropiați 5 vecini
query = np.random.random((1, d)).astype('float32')
distante, indici = index.search(query, k=5)
print(f"Indicii celor mai apropiați vecini: {indici}")
print(f"Distanțe pătratice: {distante}")Nu necesită o fază de antrenare (training) prealabilă, vectorii putând fi adăugați instantaneu prin add().
Întrebări & Exemple practice:
Clasa IndexHNSWFlat în FAISS: Indice HNSW în Memorie RAM cu Viteze MilisecundareAi o întrebare despre Clasa IndexHNSWFlat în FAISS: Indice HNSW în Memorie RAM cu Viteze Milisecundare sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.