faiss 0.1.7 → 0.2.3
Sign up to get free protection for your applications and to get access to all the features.
- checksums.yaml +4 -4
- data/CHANGELOG.md +18 -0
- data/README.md +7 -7
- data/ext/faiss/ext.cpp +1 -1
- data/ext/faiss/extconf.rb +8 -2
- data/ext/faiss/index.cpp +102 -69
- data/ext/faiss/index_binary.cpp +24 -30
- data/ext/faiss/kmeans.cpp +20 -16
- data/ext/faiss/numo.hpp +867 -0
- data/ext/faiss/pca_matrix.cpp +13 -14
- data/ext/faiss/product_quantizer.cpp +23 -24
- data/ext/faiss/utils.cpp +10 -37
- data/ext/faiss/utils.h +2 -13
- data/lib/faiss/version.rb +1 -1
- data/lib/faiss.rb +0 -5
- data/vendor/faiss/faiss/AutoTune.cpp +292 -291
- data/vendor/faiss/faiss/AutoTune.h +55 -56
- data/vendor/faiss/faiss/Clustering.cpp +334 -195
- data/vendor/faiss/faiss/Clustering.h +88 -35
- data/vendor/faiss/faiss/IVFlib.cpp +171 -195
- data/vendor/faiss/faiss/IVFlib.h +48 -51
- data/vendor/faiss/faiss/Index.cpp +85 -103
- data/vendor/faiss/faiss/Index.h +54 -48
- data/vendor/faiss/faiss/Index2Layer.cpp +139 -164
- data/vendor/faiss/faiss/Index2Layer.h +22 -22
- data/vendor/faiss/faiss/IndexBinary.cpp +45 -37
- data/vendor/faiss/faiss/IndexBinary.h +140 -132
- data/vendor/faiss/faiss/IndexBinaryFlat.cpp +73 -53
- data/vendor/faiss/faiss/IndexBinaryFlat.h +29 -24
- data/vendor/faiss/faiss/IndexBinaryFromFloat.cpp +46 -43
- data/vendor/faiss/faiss/IndexBinaryFromFloat.h +16 -15
- data/vendor/faiss/faiss/IndexBinaryHNSW.cpp +215 -232
- data/vendor/faiss/faiss/IndexBinaryHNSW.h +25 -24
- data/vendor/faiss/faiss/IndexBinaryHash.cpp +182 -177
- data/vendor/faiss/faiss/IndexBinaryHash.h +41 -34
- data/vendor/faiss/faiss/IndexBinaryIVF.cpp +489 -461
- data/vendor/faiss/faiss/IndexBinaryIVF.h +97 -68
- data/vendor/faiss/faiss/IndexFlat.cpp +116 -147
- data/vendor/faiss/faiss/IndexFlat.h +35 -46
- data/vendor/faiss/faiss/IndexHNSW.cpp +372 -348
- data/vendor/faiss/faiss/IndexHNSW.h +57 -41
- data/vendor/faiss/faiss/IndexIVF.cpp +474 -454
- data/vendor/faiss/faiss/IndexIVF.h +146 -113
- data/vendor/faiss/faiss/IndexIVFFlat.cpp +248 -250
- data/vendor/faiss/faiss/IndexIVFFlat.h +48 -51
- data/vendor/faiss/faiss/IndexIVFPQ.cpp +457 -516
- data/vendor/faiss/faiss/IndexIVFPQ.h +74 -66
- data/vendor/faiss/faiss/IndexIVFPQFastScan.cpp +406 -372
- data/vendor/faiss/faiss/IndexIVFPQFastScan.h +82 -57
- data/vendor/faiss/faiss/IndexIVFPQR.cpp +104 -102
- data/vendor/faiss/faiss/IndexIVFPQR.h +33 -28
- data/vendor/faiss/faiss/IndexIVFSpectralHash.cpp +125 -133
- data/vendor/faiss/faiss/IndexIVFSpectralHash.h +19 -21
- data/vendor/faiss/faiss/IndexLSH.cpp +75 -96
- data/vendor/faiss/faiss/IndexLSH.h +21 -26
- data/vendor/faiss/faiss/IndexLattice.cpp +42 -56
- data/vendor/faiss/faiss/IndexLattice.h +11 -16
- data/vendor/faiss/faiss/IndexNNDescent.cpp +231 -0
- data/vendor/faiss/faiss/IndexNNDescent.h +72 -0
- data/vendor/faiss/faiss/IndexNSG.cpp +303 -0
- data/vendor/faiss/faiss/IndexNSG.h +85 -0
- data/vendor/faiss/faiss/IndexPQ.cpp +405 -464
- data/vendor/faiss/faiss/IndexPQ.h +64 -67
- data/vendor/faiss/faiss/IndexPQFastScan.cpp +143 -170
- data/vendor/faiss/faiss/IndexPQFastScan.h +46 -32
- data/vendor/faiss/faiss/IndexPreTransform.cpp +120 -150
- data/vendor/faiss/faiss/IndexPreTransform.h +33 -36
- data/vendor/faiss/faiss/IndexRefine.cpp +115 -131
- data/vendor/faiss/faiss/IndexRefine.h +22 -23
- data/vendor/faiss/faiss/IndexReplicas.cpp +147 -153
- data/vendor/faiss/faiss/IndexReplicas.h +62 -56
- data/vendor/faiss/faiss/IndexResidual.cpp +291 -0
- data/vendor/faiss/faiss/IndexResidual.h +152 -0
- data/vendor/faiss/faiss/IndexScalarQuantizer.cpp +120 -155
- data/vendor/faiss/faiss/IndexScalarQuantizer.h +41 -45
- data/vendor/faiss/faiss/IndexShards.cpp +256 -240
- data/vendor/faiss/faiss/IndexShards.h +85 -73
- data/vendor/faiss/faiss/MatrixStats.cpp +112 -97
- data/vendor/faiss/faiss/MatrixStats.h +7 -10
- data/vendor/faiss/faiss/MetaIndexes.cpp +135 -157
- data/vendor/faiss/faiss/MetaIndexes.h +40 -34
- data/vendor/faiss/faiss/MetricType.h +7 -7
- data/vendor/faiss/faiss/VectorTransform.cpp +652 -474
- data/vendor/faiss/faiss/VectorTransform.h +61 -89
- data/vendor/faiss/faiss/clone_index.cpp +77 -73
- data/vendor/faiss/faiss/clone_index.h +4 -9
- data/vendor/faiss/faiss/gpu/GpuAutoTune.cpp +33 -38
- data/vendor/faiss/faiss/gpu/GpuAutoTune.h +11 -9
- data/vendor/faiss/faiss/gpu/GpuCloner.cpp +197 -170
- data/vendor/faiss/faiss/gpu/GpuCloner.h +53 -35
- data/vendor/faiss/faiss/gpu/GpuClonerOptions.cpp +12 -14
- data/vendor/faiss/faiss/gpu/GpuClonerOptions.h +27 -25
- data/vendor/faiss/faiss/gpu/GpuDistance.h +116 -112
- data/vendor/faiss/faiss/gpu/GpuFaissAssert.h +1 -2
- data/vendor/faiss/faiss/gpu/GpuIndex.h +134 -137
- data/vendor/faiss/faiss/gpu/GpuIndexBinaryFlat.h +76 -73
- data/vendor/faiss/faiss/gpu/GpuIndexFlat.h +173 -162
- data/vendor/faiss/faiss/gpu/GpuIndexIVF.h +67 -64
- data/vendor/faiss/faiss/gpu/GpuIndexIVFFlat.h +89 -86
- data/vendor/faiss/faiss/gpu/GpuIndexIVFPQ.h +150 -141
- data/vendor/faiss/faiss/gpu/GpuIndexIVFScalarQuantizer.h +101 -103
- data/vendor/faiss/faiss/gpu/GpuIndicesOptions.h +17 -16
- data/vendor/faiss/faiss/gpu/GpuResources.cpp +116 -128
- data/vendor/faiss/faiss/gpu/GpuResources.h +182 -186
- data/vendor/faiss/faiss/gpu/StandardGpuResources.cpp +433 -422
- data/vendor/faiss/faiss/gpu/StandardGpuResources.h +131 -130
- data/vendor/faiss/faiss/gpu/impl/InterleavedCodes.cpp +468 -456
- data/vendor/faiss/faiss/gpu/impl/InterleavedCodes.h +25 -19
- data/vendor/faiss/faiss/gpu/impl/RemapIndices.cpp +22 -20
- data/vendor/faiss/faiss/gpu/impl/RemapIndices.h +9 -8
- data/vendor/faiss/faiss/gpu/perf/IndexWrapper-inl.h +39 -44
- data/vendor/faiss/faiss/gpu/perf/IndexWrapper.h +16 -14
- data/vendor/faiss/faiss/gpu/perf/PerfClustering.cpp +77 -71
- data/vendor/faiss/faiss/gpu/perf/PerfIVFPQAdd.cpp +109 -88
- data/vendor/faiss/faiss/gpu/perf/WriteIndex.cpp +75 -64
- data/vendor/faiss/faiss/gpu/test/TestCodePacking.cpp +230 -215
- data/vendor/faiss/faiss/gpu/test/TestGpuIndexBinaryFlat.cpp +80 -86
- data/vendor/faiss/faiss/gpu/test/TestGpuIndexFlat.cpp +284 -277
- data/vendor/faiss/faiss/gpu/test/TestGpuIndexIVFFlat.cpp +416 -416
- data/vendor/faiss/faiss/gpu/test/TestGpuIndexIVFPQ.cpp +611 -517
- data/vendor/faiss/faiss/gpu/test/TestGpuIndexIVFScalarQuantizer.cpp +166 -164
- data/vendor/faiss/faiss/gpu/test/TestGpuMemoryException.cpp +61 -53
- data/vendor/faiss/faiss/gpu/test/TestUtils.cpp +274 -238
- data/vendor/faiss/faiss/gpu/test/TestUtils.h +73 -57
- data/vendor/faiss/faiss/gpu/test/demo_ivfpq_indexing_gpu.cpp +47 -50
- data/vendor/faiss/faiss/gpu/utils/DeviceUtils.h +79 -72
- data/vendor/faiss/faiss/gpu/utils/StackDeviceMemory.cpp +140 -146
- data/vendor/faiss/faiss/gpu/utils/StackDeviceMemory.h +69 -71
- data/vendor/faiss/faiss/gpu/utils/StaticUtils.h +21 -16
- data/vendor/faiss/faiss/gpu/utils/Timer.cpp +25 -29
- data/vendor/faiss/faiss/gpu/utils/Timer.h +30 -29
- data/vendor/faiss/faiss/impl/AdditiveQuantizer.cpp +270 -0
- data/vendor/faiss/faiss/impl/AdditiveQuantizer.h +115 -0
- data/vendor/faiss/faiss/impl/AuxIndexStructures.cpp +90 -120
- data/vendor/faiss/faiss/impl/AuxIndexStructures.h +81 -65
- data/vendor/faiss/faiss/impl/FaissAssert.h +73 -58
- data/vendor/faiss/faiss/impl/FaissException.cpp +56 -48
- data/vendor/faiss/faiss/impl/FaissException.h +41 -29
- data/vendor/faiss/faiss/impl/HNSW.cpp +595 -611
- data/vendor/faiss/faiss/impl/HNSW.h +179 -200
- data/vendor/faiss/faiss/impl/LocalSearchQuantizer.cpp +672 -0
- data/vendor/faiss/faiss/impl/LocalSearchQuantizer.h +172 -0
- data/vendor/faiss/faiss/impl/NNDescent.cpp +487 -0
- data/vendor/faiss/faiss/impl/NNDescent.h +154 -0
- data/vendor/faiss/faiss/impl/NSG.cpp +682 -0
- data/vendor/faiss/faiss/impl/NSG.h +199 -0
- data/vendor/faiss/faiss/impl/PolysemousTraining.cpp +484 -454
- data/vendor/faiss/faiss/impl/PolysemousTraining.h +52 -55
- data/vendor/faiss/faiss/impl/ProductQuantizer-inl.h +26 -47
- data/vendor/faiss/faiss/impl/ProductQuantizer.cpp +469 -459
- data/vendor/faiss/faiss/impl/ProductQuantizer.h +76 -87
- data/vendor/faiss/faiss/impl/ResidualQuantizer.cpp +448 -0
- data/vendor/faiss/faiss/impl/ResidualQuantizer.h +130 -0
- data/vendor/faiss/faiss/impl/ResultHandler.h +96 -132
- data/vendor/faiss/faiss/impl/ScalarQuantizer.cpp +648 -701
- data/vendor/faiss/faiss/impl/ScalarQuantizer.h +48 -46
- data/vendor/faiss/faiss/impl/ThreadedIndex-inl.h +129 -131
- data/vendor/faiss/faiss/impl/ThreadedIndex.h +61 -55
- data/vendor/faiss/faiss/impl/index_read.cpp +547 -479
- data/vendor/faiss/faiss/impl/index_write.cpp +497 -407
- data/vendor/faiss/faiss/impl/io.cpp +75 -94
- data/vendor/faiss/faiss/impl/io.h +31 -41
- data/vendor/faiss/faiss/impl/io_macros.h +40 -29
- data/vendor/faiss/faiss/impl/lattice_Zn.cpp +137 -186
- data/vendor/faiss/faiss/impl/lattice_Zn.h +40 -51
- data/vendor/faiss/faiss/impl/platform_macros.h +29 -8
- data/vendor/faiss/faiss/impl/pq4_fast_scan.cpp +77 -124
- data/vendor/faiss/faiss/impl/pq4_fast_scan.h +39 -48
- data/vendor/faiss/faiss/impl/pq4_fast_scan_search_1.cpp +41 -52
- data/vendor/faiss/faiss/impl/pq4_fast_scan_search_qbs.cpp +80 -117
- data/vendor/faiss/faiss/impl/simd_result_handlers.h +109 -137
- data/vendor/faiss/faiss/index_factory.cpp +269 -218
- data/vendor/faiss/faiss/index_factory.h +6 -7
- data/vendor/faiss/faiss/index_io.h +23 -26
- data/vendor/faiss/faiss/invlists/BlockInvertedLists.cpp +67 -75
- data/vendor/faiss/faiss/invlists/BlockInvertedLists.h +22 -24
- data/vendor/faiss/faiss/invlists/DirectMap.cpp +96 -112
- data/vendor/faiss/faiss/invlists/DirectMap.h +29 -33
- data/vendor/faiss/faiss/invlists/InvertedLists.cpp +307 -364
- data/vendor/faiss/faiss/invlists/InvertedLists.h +151 -151
- data/vendor/faiss/faiss/invlists/InvertedListsIOHook.cpp +29 -34
- data/vendor/faiss/faiss/invlists/InvertedListsIOHook.h +17 -18
- data/vendor/faiss/faiss/invlists/OnDiskInvertedLists.cpp +257 -293
- data/vendor/faiss/faiss/invlists/OnDiskInvertedLists.h +50 -45
- data/vendor/faiss/faiss/python/python_callbacks.cpp +23 -26
- data/vendor/faiss/faiss/python/python_callbacks.h +9 -16
- data/vendor/faiss/faiss/utils/AlignedTable.h +79 -44
- data/vendor/faiss/faiss/utils/Heap.cpp +40 -48
- data/vendor/faiss/faiss/utils/Heap.h +186 -209
- data/vendor/faiss/faiss/utils/WorkerThread.cpp +67 -76
- data/vendor/faiss/faiss/utils/WorkerThread.h +32 -33
- data/vendor/faiss/faiss/utils/distances.cpp +301 -310
- data/vendor/faiss/faiss/utils/distances.h +133 -118
- data/vendor/faiss/faiss/utils/distances_simd.cpp +456 -516
- data/vendor/faiss/faiss/utils/extra_distances-inl.h +117 -0
- data/vendor/faiss/faiss/utils/extra_distances.cpp +113 -232
- data/vendor/faiss/faiss/utils/extra_distances.h +30 -29
- data/vendor/faiss/faiss/utils/hamming-inl.h +260 -209
- data/vendor/faiss/faiss/utils/hamming.cpp +375 -469
- data/vendor/faiss/faiss/utils/hamming.h +62 -85
- data/vendor/faiss/faiss/utils/ordered_key_value.h +16 -18
- data/vendor/faiss/faiss/utils/partitioning.cpp +393 -318
- data/vendor/faiss/faiss/utils/partitioning.h +26 -21
- data/vendor/faiss/faiss/utils/quantize_lut.cpp +78 -66
- data/vendor/faiss/faiss/utils/quantize_lut.h +22 -20
- data/vendor/faiss/faiss/utils/random.cpp +39 -63
- data/vendor/faiss/faiss/utils/random.h +13 -16
- data/vendor/faiss/faiss/utils/simdlib.h +4 -2
- data/vendor/faiss/faiss/utils/simdlib_avx2.h +88 -85
- data/vendor/faiss/faiss/utils/simdlib_emulated.h +226 -165
- data/vendor/faiss/faiss/utils/simdlib_neon.h +832 -0
- data/vendor/faiss/faiss/utils/utils.cpp +304 -287
- data/vendor/faiss/faiss/utils/utils.h +53 -48
- metadata +26 -12
- data/lib/faiss/index.rb +0 -20
- data/lib/faiss/index_binary.rb +0 -20
- data/lib/faiss/kmeans.rb +0 -15
- data/lib/faiss/pca_matrix.rb +0 -15
- data/lib/faiss/product_quantizer.rb +0 -22
@@ -18,82 +18,94 @@ namespace faiss {
|
|
18
18
|
*/
|
19
19
|
template <typename IndexT>
|
20
20
|
struct IndexShardsTemplate : public ThreadedIndex<IndexT> {
|
21
|
-
|
22
|
-
|
23
|
-
|
24
|
-
|
25
|
-
|
26
|
-
|
27
|
-
|
28
|
-
|
29
|
-
|
30
|
-
|
31
|
-
|
32
|
-
|
33
|
-
|
34
|
-
|
35
|
-
|
36
|
-
|
37
|
-
|
38
|
-
|
39
|
-
|
40
|
-
|
41
|
-
|
42
|
-
|
43
|
-
|
44
|
-
|
45
|
-
|
46
|
-
|
47
|
-
|
48
|
-
|
49
|
-
|
50
|
-
|
51
|
-
|
52
|
-
|
53
|
-
|
54
|
-
|
55
|
-
|
56
|
-
|
57
|
-
|
58
|
-
|
59
|
-
|
60
|
-
|
61
|
-
|
62
|
-
|
63
|
-
|
64
|
-
|
65
|
-
|
66
|
-
|
67
|
-
|
68
|
-
|
69
|
-
|
70
|
-
|
71
|
-
|
72
|
-
|
73
|
-
|
74
|
-
|
75
|
-
|
76
|
-
|
77
|
-
|
78
|
-
|
79
|
-
|
80
|
-
|
81
|
-
|
82
|
-
|
83
|
-
|
84
|
-
|
85
|
-
|
86
|
-
|
87
|
-
|
88
|
-
|
89
|
-
|
90
|
-
|
91
|
-
|
92
|
-
|
21
|
+
using idx_t = typename IndexT::idx_t;
|
22
|
+
using component_t = typename IndexT::component_t;
|
23
|
+
using distance_t = typename IndexT::distance_t;
|
24
|
+
|
25
|
+
/**
|
26
|
+
* The dimension that all sub-indices must share will be the dimension of
|
27
|
+
* the first sub-index added
|
28
|
+
*
|
29
|
+
* @param threaded do we use one thread per sub_index or do
|
30
|
+
* queries sequentially?
|
31
|
+
* @param successive_ids should we shift the returned ids by
|
32
|
+
* the size of each sub-index or return them
|
33
|
+
* as they are?
|
34
|
+
*/
|
35
|
+
explicit IndexShardsTemplate(
|
36
|
+
bool threaded = false,
|
37
|
+
bool successive_ids = true);
|
38
|
+
|
39
|
+
/**
|
40
|
+
* @param threaded do we use one thread per sub_index or do
|
41
|
+
* queries sequentially?
|
42
|
+
* @param successive_ids should we shift the returned ids by
|
43
|
+
* the size of each sub-index or return them
|
44
|
+
* as they are?
|
45
|
+
*/
|
46
|
+
explicit IndexShardsTemplate(
|
47
|
+
idx_t d,
|
48
|
+
bool threaded = false,
|
49
|
+
bool successive_ids = true);
|
50
|
+
|
51
|
+
/// int version due to the implicit bool conversion ambiguity of int as
|
52
|
+
/// dimension
|
53
|
+
explicit IndexShardsTemplate(
|
54
|
+
int d,
|
55
|
+
bool threaded = false,
|
56
|
+
bool successive_ids = true);
|
57
|
+
|
58
|
+
/// Alias for addIndex()
|
59
|
+
void add_shard(IndexT* index) {
|
60
|
+
this->addIndex(index);
|
61
|
+
}
|
62
|
+
|
63
|
+
/// Alias for removeIndex()
|
64
|
+
void remove_shard(IndexT* index) {
|
65
|
+
this->removeIndex(index);
|
66
|
+
}
|
67
|
+
|
68
|
+
/// supported only for sub-indices that implement add_with_ids
|
69
|
+
void add(idx_t n, const component_t* x) override;
|
70
|
+
|
71
|
+
/**
|
72
|
+
* Cases (successive_ids, xids):
|
73
|
+
* - true, non-NULL ERROR: it makes no sense to pass in ids and
|
74
|
+
* request them to be shifted
|
75
|
+
* - true, NULL OK, but should be called only once (calls add()
|
76
|
+
* on sub-indexes).
|
77
|
+
* - false, non-NULL OK: will call add_with_ids with passed in xids
|
78
|
+
* distributed evenly over shards
|
79
|
+
* - false, NULL OK: will call add_with_ids on each sub-index,
|
80
|
+
* starting at ntotal
|
81
|
+
*/
|
82
|
+
void add_with_ids(idx_t n, const component_t* x, const idx_t* xids)
|
83
|
+
override;
|
84
|
+
|
85
|
+
void search(
|
86
|
+
idx_t n,
|
87
|
+
const component_t* x,
|
88
|
+
idx_t k,
|
89
|
+
distance_t* distances,
|
90
|
+
idx_t* labels) const override;
|
91
|
+
|
92
|
+
void train(idx_t n, const component_t* x) override;
|
93
|
+
|
94
|
+
bool successive_ids;
|
95
|
+
|
96
|
+
/// Synchronize the top-level index (IndexShards) with data in the
|
97
|
+
/// sub-indices
|
98
|
+
void syncWithSubIndexes();
|
99
|
+
|
100
|
+
protected:
|
101
|
+
/// Called just after an index is added
|
102
|
+
void onAfterAddIndex(IndexT* index) override;
|
103
|
+
|
104
|
+
/// Called just after an index is removed
|
105
|
+
void onAfterRemoveIndex(IndexT* index) override;
|
93
106
|
};
|
94
107
|
|
95
108
|
using IndexShards = IndexShardsTemplate<Index>;
|
96
109
|
using IndexBinaryShards = IndexShardsTemplate<IndexBinary>;
|
97
110
|
|
98
|
-
|
99
111
|
} // namespace faiss
|
@@ -7,15 +7,13 @@
|
|
7
7
|
|
8
8
|
// -*- c++ -*-
|
9
9
|
|
10
|
-
|
11
10
|
#include <faiss/MatrixStats.h>
|
12
11
|
|
12
|
+
#include <stdarg.h> /* va_list, va_start, va_arg, va_end */
|
13
13
|
|
14
|
-
#include <
|
15
|
-
|
14
|
+
#include <faiss/utils/utils.h>
|
16
15
|
#include <cmath>
|
17
16
|
#include <cstdio>
|
18
|
-
#include <faiss/utils/utils.h>
|
19
17
|
|
20
18
|
namespace faiss {
|
21
19
|
|
@@ -23,16 +21,19 @@ namespace faiss {
|
|
23
21
|
* MatrixStats
|
24
22
|
*********************************************************************/
|
25
23
|
|
26
|
-
MatrixStats::PerDimStats::PerDimStats()
|
27
|
-
|
28
|
-
|
29
|
-
|
30
|
-
|
31
|
-
|
32
|
-
|
33
|
-
|
34
|
-
|
35
|
-
|
24
|
+
MatrixStats::PerDimStats::PerDimStats()
|
25
|
+
: n(0),
|
26
|
+
n_nan(0),
|
27
|
+
n_inf(0),
|
28
|
+
n0(0),
|
29
|
+
min(HUGE_VALF),
|
30
|
+
max(-HUGE_VALF),
|
31
|
+
sum(0),
|
32
|
+
sum2(0),
|
33
|
+
mean(NAN),
|
34
|
+
stddev(NAN) {}
|
35
|
+
|
36
|
+
void MatrixStats::PerDimStats::add(float x) {
|
36
37
|
n++;
|
37
38
|
if (std::isnan(x)) {
|
38
39
|
n_nan++;
|
@@ -42,25 +43,26 @@ void MatrixStats::PerDimStats::add (float x)
|
|
42
43
|
n_inf++;
|
43
44
|
return;
|
44
45
|
}
|
45
|
-
if (x == 0)
|
46
|
-
|
47
|
-
if (x
|
46
|
+
if (x == 0)
|
47
|
+
n0++;
|
48
|
+
if (x < min)
|
49
|
+
min = x;
|
50
|
+
if (x > max)
|
51
|
+
max = x;
|
48
52
|
sum += x;
|
49
53
|
sum2 += (double)x * (double)x;
|
50
54
|
}
|
51
55
|
|
52
|
-
void MatrixStats::PerDimStats::compute_mean_std
|
53
|
-
{
|
56
|
+
void MatrixStats::PerDimStats::compute_mean_std() {
|
54
57
|
n_valid = n - n_nan - n_inf;
|
55
58
|
mean = sum / n_valid;
|
56
59
|
double var = sum2 / n_valid - mean * mean;
|
57
|
-
if (var < 0)
|
60
|
+
if (var < 0)
|
61
|
+
var = 0;
|
58
62
|
stddev = sqrt(var);
|
59
63
|
}
|
60
64
|
|
61
|
-
|
62
|
-
void MatrixStats::do_comment (const char *fmt, ...)
|
63
|
-
{
|
65
|
+
void MatrixStats::do_comment(const char* fmt, ...) {
|
64
66
|
va_list ap;
|
65
67
|
|
66
68
|
/* Determine required size */
|
@@ -72,57 +74,60 @@ void MatrixStats::do_comment (const char *fmt, ...)
|
|
72
74
|
buf += size;
|
73
75
|
}
|
74
76
|
|
75
|
-
|
76
|
-
|
77
|
-
|
78
|
-
|
79
|
-
|
80
|
-
|
81
|
-
|
82
|
-
|
83
|
-
|
77
|
+
MatrixStats::MatrixStats(size_t n, size_t d, const float* x)
|
78
|
+
: n(n),
|
79
|
+
d(d),
|
80
|
+
n_collision(0),
|
81
|
+
n_valid(0),
|
82
|
+
n0(0),
|
83
|
+
min_norm2(HUGE_VAL),
|
84
|
+
max_norm2(0) {
|
85
|
+
std::vector<char> comment_buf(10000);
|
86
|
+
buf = comment_buf.data();
|
84
87
|
nbuf = comment_buf.size();
|
85
88
|
|
86
|
-
do_comment
|
89
|
+
do_comment("analyzing %ld vectors of size %ld\n", n, d);
|
87
90
|
|
88
91
|
if (d > 1024) {
|
89
|
-
do_comment
|
90
|
-
|
91
|
-
|
92
|
+
do_comment(
|
93
|
+
"indexing this many dimensions is hard, "
|
94
|
+
"please consider dimensionality reducution (with PCAMatrix)\n");
|
92
95
|
}
|
93
96
|
|
94
|
-
size_t nbytes = sizeof
|
95
|
-
per_dim_stats.resize
|
97
|
+
size_t nbytes = sizeof(x[0]) * d;
|
98
|
+
per_dim_stats.resize(d);
|
96
99
|
|
97
100
|
for (size_t i = 0; i < n; i++) {
|
98
|
-
const float
|
101
|
+
const float* xi = x + d * i;
|
99
102
|
double sum2 = 0;
|
100
103
|
for (size_t j = 0; j < d; j++) {
|
101
|
-
per_dim_stats[j].add
|
104
|
+
per_dim_stats[j].add(xi[j]);
|
102
105
|
sum2 += xi[j] * (double)xi[j];
|
103
106
|
}
|
104
107
|
|
105
|
-
if (std::isfinite
|
108
|
+
if (std::isfinite(sum2)) {
|
106
109
|
n_valid++;
|
107
110
|
if (sum2 == 0) {
|
108
|
-
n0
|
111
|
+
n0++;
|
109
112
|
} else {
|
110
|
-
if (sum2 < min_norm2)
|
111
|
-
|
113
|
+
if (sum2 < min_norm2)
|
114
|
+
min_norm2 = sum2;
|
115
|
+
if (sum2 > max_norm2)
|
116
|
+
max_norm2 = sum2;
|
112
117
|
}
|
113
118
|
}
|
114
119
|
|
115
120
|
{ // check hash
|
116
121
|
uint64_t hash = hash_bytes((const uint8_t*)xi, nbytes);
|
117
|
-
auto elt = occurrences.find
|
122
|
+
auto elt = occurrences.find(hash);
|
118
123
|
if (elt == occurrences.end()) {
|
119
124
|
Occurrence occ = {i, 1};
|
120
125
|
occurrences[hash] = occ;
|
121
126
|
} else {
|
122
|
-
if (!memcmp
|
123
|
-
elt->second.count
|
127
|
+
if (!memcmp(xi, x + elt->second.first * d, nbytes)) {
|
128
|
+
elt->second.count++;
|
124
129
|
} else {
|
125
|
-
n_collision
|
130
|
+
n_collision++;
|
126
131
|
// we should use a list of collisions but overkill
|
127
132
|
}
|
128
133
|
}
|
@@ -131,50 +136,59 @@ MatrixStats::MatrixStats (size_t n, size_t d, const float *x):
|
|
131
136
|
|
132
137
|
// invalid vecor stats
|
133
138
|
if (n_valid == n) {
|
134
|
-
do_comment
|
139
|
+
do_comment("no NaN or Infs in data\n");
|
135
140
|
} else {
|
136
|
-
do_comment
|
137
|
-
|
138
|
-
|
141
|
+
do_comment(
|
142
|
+
"%ld vectors contain NaN or Inf "
|
143
|
+
"(or have too large components), "
|
144
|
+
"expect bad results with indexing!\n",
|
145
|
+
n - n_valid);
|
139
146
|
}
|
140
147
|
|
141
148
|
// copies in dataset
|
142
149
|
if (occurrences.size() == n) {
|
143
|
-
do_comment
|
150
|
+
do_comment("all vectors are distinct\n");
|
144
151
|
} else {
|
145
|
-
do_comment
|
146
|
-
|
147
|
-
|
152
|
+
do_comment(
|
153
|
+
"%ld vectors are distinct (%.2f%%)\n",
|
154
|
+
occurrences.size(),
|
155
|
+
occurrences.size() * 100.0 / n);
|
148
156
|
|
149
157
|
if (n_collision > 0) {
|
150
|
-
do_comment
|
151
|
-
|
158
|
+
do_comment(
|
159
|
+
"%ld collisions in hash table, "
|
160
|
+
"counts may be invalid\n",
|
161
|
+
n_collision);
|
152
162
|
}
|
153
163
|
|
154
164
|
Occurrence max = {0, 0};
|
155
|
-
for (auto it = occurrences.begin();
|
156
|
-
it != occurrences.end(); ++it) {
|
165
|
+
for (auto it = occurrences.begin(); it != occurrences.end(); ++it) {
|
157
166
|
if (it->second.count > max.count) {
|
158
167
|
max = it->second;
|
159
168
|
}
|
160
169
|
}
|
161
|
-
do_comment
|
170
|
+
do_comment("vector %ld has %ld copies\n", max.first, max.count);
|
162
171
|
}
|
163
172
|
|
164
173
|
{ // norm stats
|
165
|
-
min_norm2 = sqrt
|
166
|
-
max_norm2 = sqrt
|
167
|
-
do_comment
|
168
|
-
|
174
|
+
min_norm2 = sqrt(min_norm2);
|
175
|
+
max_norm2 = sqrt(max_norm2);
|
176
|
+
do_comment(
|
177
|
+
"range of L2 norms=[%g, %g] (%ld null vectors)\n",
|
178
|
+
min_norm2,
|
179
|
+
max_norm2,
|
180
|
+
n0);
|
169
181
|
|
170
182
|
if (max_norm2 < min_norm2 * 1.0001) {
|
171
|
-
do_comment
|
172
|
-
|
183
|
+
do_comment(
|
184
|
+
"vectors are normalized, inner product and "
|
185
|
+
"L2 search are equivalent\n");
|
173
186
|
}
|
174
187
|
|
175
188
|
if (max_norm2 > min_norm2 * 100) {
|
176
|
-
do_comment
|
177
|
-
|
189
|
+
do_comment(
|
190
|
+
"vectors have very large differences in norms, "
|
191
|
+
"is this normal?\n");
|
178
192
|
}
|
179
193
|
}
|
180
194
|
|
@@ -185,68 +199,69 @@ MatrixStats::MatrixStats (size_t n, size_t d, const float *x):
|
|
185
199
|
size_t n_dangerous_range = 0, n_0_range = 0, n0 = 0;
|
186
200
|
|
187
201
|
for (size_t j = 0; j < d; j++) {
|
188
|
-
PerDimStats
|
189
|
-
st.compute_mean_std
|
202
|
+
PerDimStats& st = per_dim_stats[j];
|
203
|
+
st.compute_mean_std();
|
190
204
|
n0 += st.n0;
|
191
205
|
|
192
206
|
if (st.max == st.min) {
|
193
|
-
n_0_range
|
207
|
+
n_0_range++;
|
194
208
|
} else if (st.max < 1.001 * st.min) {
|
195
|
-
n_dangerous_range
|
209
|
+
n_dangerous_range++;
|
196
210
|
}
|
197
211
|
|
198
|
-
if (st.stddev > max_std)
|
199
|
-
|
212
|
+
if (st.stddev > max_std)
|
213
|
+
max_std = st.stddev;
|
214
|
+
if (st.stddev < min_std)
|
215
|
+
min_std = st.stddev;
|
200
216
|
}
|
201
217
|
|
202
|
-
|
203
|
-
|
204
218
|
if (n0 == 0) {
|
205
|
-
do_comment
|
219
|
+
do_comment("matrix contains no 0s\n");
|
206
220
|
} else {
|
207
|
-
do_comment
|
208
|
-
|
221
|
+
do_comment(
|
222
|
+
"matrix contains %.2f %% 0 entries\n",
|
223
|
+
n0 * 100.0 / (n * d));
|
209
224
|
}
|
210
225
|
|
211
226
|
if (n_0_range == 0) {
|
212
|
-
do_comment
|
227
|
+
do_comment("no constant dimensions\n");
|
213
228
|
} else {
|
214
|
-
do_comment
|
215
|
-
|
229
|
+
do_comment(
|
230
|
+
"%ld dimensions are constant: they can be removed\n",
|
231
|
+
n_0_range);
|
216
232
|
}
|
217
233
|
|
218
234
|
if (n_dangerous_range == 0) {
|
219
|
-
do_comment
|
235
|
+
do_comment("no dimension has a too large mean\n");
|
220
236
|
} else {
|
221
|
-
do_comment
|
222
|
-
|
223
|
-
|
224
|
-
|
237
|
+
do_comment(
|
238
|
+
"%ld dimensions are too large "
|
239
|
+
"wrt. their variance, may loose precision "
|
240
|
+
"in IndexFlatL2 (use CenteringTransform)\n",
|
241
|
+
n_dangerous_range);
|
225
242
|
}
|
226
243
|
|
227
|
-
do_comment
|
244
|
+
do_comment("stddevs per dimension are in [%g %g]\n", min_std, max_std);
|
228
245
|
|
229
246
|
size_t n_small_var = 0;
|
230
247
|
|
231
248
|
for (size_t j = 0; j < d; j++) {
|
232
|
-
const PerDimStats
|
249
|
+
const PerDimStats& st = per_dim_stats[j];
|
233
250
|
if (st.stddev < max_std * 1e-4) {
|
234
251
|
n_small_var++;
|
235
252
|
}
|
236
253
|
}
|
237
254
|
|
238
255
|
if (n_small_var > 0) {
|
239
|
-
do_comment
|
240
|
-
|
241
|
-
|
256
|
+
do_comment(
|
257
|
+
"%ld dimensions have negligible stddev wrt. "
|
258
|
+
"the largest dimension, they could be ignored",
|
259
|
+
n_small_var);
|
242
260
|
}
|
243
|
-
|
244
261
|
}
|
245
|
-
comments = comment_buf.data
|
262
|
+
comments = comment_buf.data();
|
246
263
|
buf = nullptr;
|
247
264
|
nbuf = 0;
|
248
265
|
}
|
249
266
|
|
250
|
-
|
251
|
-
|
252
267
|
} // namespace faiss
|
@@ -9,22 +9,20 @@
|
|
9
9
|
|
10
10
|
#pragma once
|
11
11
|
|
12
|
-
#include <
|
12
|
+
#include <stdint.h>
|
13
13
|
#include <string>
|
14
14
|
#include <unordered_map>
|
15
|
-
#include <
|
16
|
-
|
15
|
+
#include <vector>
|
17
16
|
|
18
17
|
namespace faiss {
|
19
18
|
|
20
|
-
|
21
19
|
/** Reports some statistics on a dataset and comments on them.
|
22
20
|
*
|
23
21
|
* It is a class rather than a function so that all stats can also be
|
24
22
|
* accessed from code */
|
25
23
|
|
26
24
|
struct MatrixStats {
|
27
|
-
MatrixStats
|
25
|
+
MatrixStats(size_t n, size_t d, const float* x);
|
28
26
|
std::string comments;
|
29
27
|
|
30
28
|
// raw statistics
|
@@ -42,8 +40,8 @@ struct MatrixStats {
|
|
42
40
|
double mean, stddev;
|
43
41
|
|
44
42
|
PerDimStats();
|
45
|
-
void add
|
46
|
-
void compute_mean_std
|
43
|
+
void add(float x);
|
44
|
+
void compute_mean_std();
|
47
45
|
};
|
48
46
|
|
49
47
|
std::vector<PerDimStats> per_dim_stats;
|
@@ -53,10 +51,9 @@ struct MatrixStats {
|
|
53
51
|
};
|
54
52
|
std::unordered_map<uint64_t, Occurrence> occurrences;
|
55
53
|
|
56
|
-
char
|
54
|
+
char* buf;
|
57
55
|
size_t nbuf;
|
58
|
-
void do_comment
|
59
|
-
|
56
|
+
void do_comment(const char* fmt, ...);
|
60
57
|
};
|
61
58
|
|
62
59
|
} // namespace faiss
|