選擇Index並不明顯，有幾個問題可以幫助選擇Index。
是否需要精確結果
使用Flat。IndexFlat2是唯一能保證精確結果的Index。它爲其他Index提供了對比標準。它不會壓縮向量，不支持帶標籤添加，只能順序添加。所以，如果你需要add_with_ids，使用IDMap,Flat。
內存是否有限制
請注意Faiss所有的Index都是存儲在RAM裏的，如果不需要精確結果，而同時RAM是有限的，在該限制下，我們在精度-速度中間進行衡量選擇。可以考慮下面的問題：
內存充足無限制：使用HNSWx
如果你有很多RAM或者搜索庫很小，HNSW是最好的選擇。它很快、很精確。4<=x<=64是每個向量的鏈接數，這個值越高越精確，但是使用的RAM越多。而速度-精度衡量則通過efSearch參數調節實現，每個向量佔用內存數爲(d4+x2*4)字節。
HNSW不支持序列添加(not add_with_ids),同樣的，如果需要，則使用IDMap。HNSW不需要訓練，也不支持從index中刪除向量。
內存不關注，使用"...,Flat"
"..."指的是需要進行的數據集聚類操作。聚類之後，“Flat”就把這些向量歸於桶中，所以並沒有亞索，所佔的存儲空間大小等於原數據集。速度-精度衡量通過nprobe參數控制。
內存比較有限，使用“PCARx,...,SQ8”
如果存儲整個向量非常佔內存資源，可以通過兩種方法降低佔用量：
- PCA降維；
- 每個向量元素進行可計量量化至1字節；
所以，存儲總量是每個向量的x字節。
內存非常有限，使用“OPQx_y, ..., PQx”
PQx使用PQ算法將每個向量進行壓縮輸出x字節的編碼，x一般來說小於等於64，對於大的編碼，SQ通常更精確、快速。OPQ是將向量進行線性轉換，使得其更容易壓縮。y表示的是一個維度，需滿足：
- y是x的因子；
- y<=d，d是輸入向量的維度；
- y <= 4*x
數據集有多大
這個問題就是對上文"..."部分的回答。數據集被聚成多個桶，在搜索時只有一部分桶被遍歷（nprobe個桶）。這個聚類操作只作用於數據集向量的具有代表性的樣例之上，通常是數據集的一個樣本集。我們針對樣本集給出其最優尺寸選擇：
如果低於1M向量:"...,IVFx,..."
其中x是4sqrt(N)16sqrt(N)，N是數據集的大小。這只是使用kmeans將向量聚起來，你需要30x256x向量訓練（更多越好）。
如果1M-10M："...,IMI2x10,..."
其中x是符號，不是數字。
IMI也對訓練集進行k-means聚類，聚成210中心點，但是在向量的前半部分和後半部分是獨立的。增加聚類數到2*(210)。你需要大約64*(2^10)向量訓練。
如果10M-100M:"...,IMI2x12,..."<千萬級-億級>
同上面的，10用12替換。
如果100M-1B："...,IMI2X14,..."<億級-十億級>
同上面的，10用14替換。
https://www.cnblogs.com/imagezy/p/8329229.html