5分钟上手NSGPython快速构建近似最近邻搜索索引的完整指南【免费下载链接】nsgNavigating Spreading-out Graph For Approximate Nearest Neighbor Search项目地址: https://gitcode.com/gh_mirrors/ns/nsgNSGNavigating Spreading-out Graph是一款高性能的近似最近邻搜索工具它通过构建特殊的图结构在大规模向量数据中实现快速高效的相似性检索。本指南将帮助你在5分钟内完成NSG的Python环境搭建、索引构建和搜索操作轻松掌握这一强大工具的核心用法。 为什么选择NSG性能对比一目了然在处理图像识别、自然语言处理等领域的高维向量数据时传统的精确最近邻搜索往往因计算成本过高而难以实用。NSG通过巧妙的图结构设计在保证搜索精度的同时大幅提升了检索速度。以下是NSG与其他主流近似最近邻搜索算法在不同数据集上的性能对比Gauss数据集性能对比图1NSG与其他算法在Gauss数据集上的Precision100与查询速度对比NSG展现出优异的性能平衡SIFT数据集性能对比图2在SIFT图像特征数据集上NSG在高精确度区间依然保持领先的查询效率随机数据集性能对比图3即便是在随机分布的向量数据上NSG仍能保持稳定高效的搜索性能从上述对比中可以清晰看到NSG在各类数据集上都表现出卓越的性能特别是在高精确度要求下其查询速度优势更加明显。 快速开始5分钟安装与基础使用1️⃣ 环境准备与安装首先克隆NSG项目仓库到本地git clone https://gitcode.com/gh_mirrors/ns/nsg cd nsgNSG提供了Python绑定通过setup.py可以快速安装python setup.py install2️⃣ 核心API介绍NSG的Python接口简洁易用主要通过pynsg.NSG类提供功能from pynsg import NSG, Metric # 创建NSG索引实例 nsg NSG(dimension128, num_points10000, metricMetric.L2) # 构建索引 nsg.build_index(vectors, graph_path, L40, R50, C500) # 优化图结构可选 nsg.optimize_graph(vectors) # 执行搜索 results nsg.search_opt(queries, k10, search_L100)3️⃣ 完整示例构建与搜索流程以下是一个完整的NSG使用示例展示从数据准备到索引构建再到搜索查询的全过程import numpy as np from pynsg import NSG, Metric, create_graph_file # 1. 准备数据这里使用随机生成的向量作为示例 dim 128 # 向量维度 num_points 10000 # 数据量 vectors np.random.rand(num_points, dim).astype(np.float32) queries np.random.rand(5, dim).astype(np.float32) # 5个查询向量 # 2. 创建KNN图使用HNSW算法生成初始图结构 graph_path knn_graph.graph create_graph_file(graph_path, vectors, k32) # 3. 构建NSG索引 nsg NSG(dimensiondim, num_pointsnum_points, metricMetric.L2) nsg.build_index(vectors, graph_path, L40, R50, C500) # 4. 优化图结构提升搜索性能 nsg.optimize_graph(vectors) # 5. 执行搜索 k 10 # 返回Top-10结果 results nsg.search_opt(queries, kk, search_L100) # 6. 处理搜索结果 for i, result in enumerate(results): print(fQuery {i}: {result})⚙️ 关键参数调优平衡速度与精度NSG的性能可以通过调整参数来平衡搜索速度和精度以下是几个关键参数的说明构建阶段参数L构建过程中的搜索列表大小默认值为40。增大L可以提高索引质量但会增加构建时间。R图中每个节点的最大出度默认值为50。R值越大图结构越复杂搜索精度可能越高但内存占用也会增加。C优化过程中的候选列表大小默认值为500。较大的C值有助于构建更优的图结构。搜索阶段参数search_L搜索过程中的列表大小默认值为100。增大search_L可以提高搜索精度但会增加查询时间。根据实际需求调整这些参数可以在速度和精度之间找到最佳平衡点。一般来说对于需要高召回率的场景可以适当增大L和search_L对于对速度要求较高的应用则可以减小这些参数。 测试验证确保实现正确性NSG项目提供了完善的测试用例可以帮助验证安装和使用的正确性。测试代码位于pynsg/tests/test_index.py主要包括以下测试内容索引构建与基本搜索功能测试索引保存与加载功能测试优化后的搜索性能测试与Faiss精确搜索结果的召回率对比运行测试的方法pytest pynsg/tests/test_index.py测试将自动验证NSG的各项功能是否正常工作并输出搜索结果与精确结果的召回率对比确保实现的正确性。 总结与下一步通过本指南你已经掌握了NSG的基本安装、使用和参数调优方法。NSG作为一款高效的近似最近邻搜索工具在处理大规模高维向量数据时展现出优异的性能可广泛应用于图像检索、推荐系统、自然语言处理等领域。下一步你可以尝试在自己的数据集上应用NSG调整参数以获得最佳性能深入研究NSG的算法原理了解其高效搜索的内在机制探索NSG的C核心实现位于src/index_nsg.cpp进一步定制和优化希望本指南能帮助你快速上手NSG在实际项目中充分发挥其强大的搜索能力【免费下载链接】nsgNavigating Spreading-out Graph For Approximate Nearest Neighbor Search项目地址: https://gitcode.com/gh_mirrors/ns/nsg创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
5分钟上手NSGPython快速构建近似最近邻搜索索引的完整指南【免费下载链接】nsgNavigating Spreading-out Graph For Approximate Nearest Neighbor Search项目地址: https://gitcode.com/gh_mirrors/ns/nsgNSGNavigating Spreading-out Graph是一款高性能的近似最近邻搜索工具它通过构建特殊的图结构在大规模向量数据中实现快速高效的相似性检索。本指南将帮助你在5分钟内完成NSG的Python环境搭建、索引构建和搜索操作轻松掌握这一强大工具的核心用法。 为什么选择NSG性能对比一目了然在处理图像识别、自然语言处理等领域的高维向量数据时传统的精确最近邻搜索往往因计算成本过高而难以实用。NSG通过巧妙的图结构设计在保证搜索精度的同时大幅提升了检索速度。以下是NSG与其他主流近似最近邻搜索算法在不同数据集上的性能对比Gauss数据集性能对比图1NSG与其他算法在Gauss数据集上的Precision100与查询速度对比NSG展现出优异的性能平衡SIFT数据集性能对比图2在SIFT图像特征数据集上NSG在高精确度区间依然保持领先的查询效率随机数据集性能对比图3即便是在随机分布的向量数据上NSG仍能保持稳定高效的搜索性能从上述对比中可以清晰看到NSG在各类数据集上都表现出卓越的性能特别是在高精确度要求下其查询速度优势更加明显。 快速开始5分钟安装与基础使用1️⃣ 环境准备与安装首先克隆NSG项目仓库到本地git clone https://gitcode.com/gh_mirrors/ns/nsg cd nsgNSG提供了Python绑定通过setup.py可以快速安装python setup.py install2️⃣ 核心API介绍NSG的Python接口简洁易用主要通过pynsg.NSG类提供功能from pynsg import NSG, Metric # 创建NSG索引实例 nsg NSG(dimension128, num_points10000, metricMetric.L2) # 构建索引 nsg.build_index(vectors, graph_path, L40, R50, C500) # 优化图结构可选 nsg.optimize_graph(vectors) # 执行搜索 results nsg.search_opt(queries, k10, search_L100)3️⃣ 完整示例构建与搜索流程以下是一个完整的NSG使用示例展示从数据准备到索引构建再到搜索查询的全过程import numpy as np from pynsg import NSG, Metric, create_graph_file # 1. 准备数据这里使用随机生成的向量作为示例 dim 128 # 向量维度 num_points 10000 # 数据量 vectors np.random.rand(num_points, dim).astype(np.float32) queries np.random.rand(5, dim).astype(np.float32) # 5个查询向量 # 2. 创建KNN图使用HNSW算法生成初始图结构 graph_path knn_graph.graph create_graph_file(graph_path, vectors, k32) # 3. 构建NSG索引 nsg NSG(dimensiondim, num_pointsnum_points, metricMetric.L2) nsg.build_index(vectors, graph_path, L40, R50, C500) # 4. 优化图结构提升搜索性能 nsg.optimize_graph(vectors) # 5. 执行搜索 k 10 # 返回Top-10结果 results nsg.search_opt(queries, kk, search_L100) # 6. 处理搜索结果 for i, result in enumerate(results): print(fQuery {i}: {result})⚙️ 关键参数调优平衡速度与精度NSG的性能可以通过调整参数来平衡搜索速度和精度以下是几个关键参数的说明构建阶段参数L构建过程中的搜索列表大小默认值为40。增大L可以提高索引质量但会增加构建时间。R图中每个节点的最大出度默认值为50。R值越大图结构越复杂搜索精度可能越高但内存占用也会增加。C优化过程中的候选列表大小默认值为500。较大的C值有助于构建更优的图结构。搜索阶段参数search_L搜索过程中的列表大小默认值为100。增大search_L可以提高搜索精度但会增加查询时间。根据实际需求调整这些参数可以在速度和精度之间找到最佳平衡点。一般来说对于需要高召回率的场景可以适当增大L和search_L对于对速度要求较高的应用则可以减小这些参数。 测试验证确保实现正确性NSG项目提供了完善的测试用例可以帮助验证安装和使用的正确性。测试代码位于pynsg/tests/test_index.py主要包括以下测试内容索引构建与基本搜索功能测试索引保存与加载功能测试优化后的搜索性能测试与Faiss精确搜索结果的召回率对比运行测试的方法pytest pynsg/tests/test_index.py测试将自动验证NSG的各项功能是否正常工作并输出搜索结果与精确结果的召回率对比确保实现的正确性。 总结与下一步通过本指南你已经掌握了NSG的基本安装、使用和参数调优方法。NSG作为一款高效的近似最近邻搜索工具在处理大规模高维向量数据时展现出优异的性能可广泛应用于图像检索、推荐系统、自然语言处理等领域。下一步你可以尝试在自己的数据集上应用NSG调整参数以获得最佳性能深入研究NSG的算法原理了解其高效搜索的内在机制探索NSG的C核心实现位于src/index_nsg.cpp进一步定制和优化希望本指南能帮助你快速上手NSG在实际项目中充分发挥其强大的搜索能力【免费下载链接】nsgNavigating Spreading-out Graph For Approximate Nearest Neighbor Search项目地址: https://gitcode.com/gh_mirrors/ns/nsg创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
