pip install faiss-cpu # faiss-gpu (Как правило, процессор достаточно быстрый)

import faiss
import numpy as np 

# 〇, настройки основных параметров
d = 64                                           # векторные размеры
nb = 100000                                      # Объем данных индексной векторной библиотеки
nq = 1000                                        # Количество ожидающих поисковых запросов
index_type = 'Flat'                              # index тип
metric_type = faiss.METRIC_INNER_PRODUCT         # Метрика (сходство/расстояние)тип


# 1. Подготовьте векторную библиотеку векторов.
print('============================== 1,base vector ==============================')
np.random.seed(1234)             
xb = np.random.random((nb, d)).astype('float32')
xb[:, 0] += np.arange(nb) / 1000.                # вектор индексной векторной библиотеки
faiss.normalize_L2(xb)
print('xb.shape = ',xb.shape,'\n')


# 2. Подготовьте вектор запроса
print('============================== 2,query vector ==============================')
xq = np.random.random((nq, d)).astype('float32')
xq[:, 0] += np.arange(nq) / 1000.                # Вектор запроса для поиска
faiss.normalize_L2(xq)
print('xq.shape = ',xq.shape,'\n')

# В-третьих, создайте индекс векторной библиотеки.
print('============================== 3,create&train ==============================')
index = faiss.index_factory(d,index_type,metric_type)    #Эквивалент faiss.IndexFlatIP(d)     
print('index.is_trained=',index.is_trained)    # Выходные данные имеют значение True, что означает, что этот тип индекса не требует обучения и требует только добавления векторов.
index.train(xb)
index.add(xb)                                      # Добавьте в индекс векторы из библиотеки векторов.
print('index.ntotal=',index.ntotal,'\n')           # Выведите общее количество векторов, содержащихся в индексе, равное 100000. 


# Четыре,аналогичный Векторзапрос
print('============================== 4, search ==============================')
k = 4                       # Значение K для topK
D, I = index.search(xq, k)  # xq — вектор ожидания поиска, возвращаемый I — это наиболее похожий индексный список TopK каждого ожидающего запроса поиска, а D — соответствующее ему расстояние.

print('nearest vector ids:\n',I[:5],'\n')
print('metric(distances/scores) to query:\n',D[-5:],'\n')

# 5. Добавляйте и удаляйте векторы индексов.
print('============================== 5, add&remove ==============================')
xa = np.random.random((10000, d)).astype('float32')
xa[:, 0] += np.arange(len(xa)) / 1000.                
faiss.normalize_L2(xa)
index.add(xa)
print('after add, index.ntotal=',index.ntotal) 
index.remove_ids(np.arange(1000,1111))
print('after remove, index.ntotal=',index.ntotal,'\n') 

# 6. Сохраните и загрузите индекс.
print('============================== 6, write&read ==============================')
faiss.write_index(index, "large.index")
index_loaded = faiss.read_index('large.index')
print('index_loaded.ntotal=', index_loaded.ntotal)

============================== 1,base vector ==============================
xb.shape =  (100000, 64) 

============================== 2,query vector ==============================
xq.shape =  (1000, 64) 

============================== 3,create&train ==============================
index.is_trained= True
index.ntotal= 100000 

============================== 4, search ==============================
nearest vector ids:
 [[ 207  381 1394 1019]
 [ 300  911  142  526]
 [ 838 1541  527  148]
 [ 196  359  184  466]
 [ 526  120  917  765]] 

metric(distances/scores) to query:
 [[0.87687665 0.86128205 0.85667723 0.85451   ]
 [0.8702938  0.86668813 0.85934925 0.8523142 ]
 [0.862915   0.85807455 0.85384977 0.8499449 ]
 [0.8692     0.86600477 0.8647547  0.8634621 ]
 [0.8539625  0.84914947 0.84744585 0.8432568 ]] 

============================== 5, add&remove ==============================
after add, index.ntotal= 110000
after remove, index.ntotal= 109889 

============================== 6, write&read ==============================
index_loaded.ntotal= 109889