基础索引如下所示：
- 精确索引(IndexFlatL2): 主要参数d；占用字节4d;是否穷尽式搜索：是；
- 内积精确检索(IndexFlatIP)：d；4d；是；
- 级联式图搜索(IndexHNSWFlat)：d,M; 4d+8M; 否；
- 倒置文件与精确后检验(IndexIVFFlat)：quantizer,d,nlists,metric; 4d;否
- 局部感应哈希(iNDEXlsh): d,nbits; nbits/8; 是
- 标量量化(IndexScalarQuantizer)：d; d; 是
- PQ(IndexPQ): d, M, nbits; M(nbits=8); 是
- 倒排文件+标量量化(IndexIVFScalarQuantizer):quantizer, d, nlists, qtype; d或d/2; 否
- IVFADC粗量化+PQ+残差(IndexIVFPQ):quantizer,d, nlists, M, nbits; M+4或M+8；否
- IVFADC+R即为IVFADC+基于code的rerank(IndexIVFPQR):quantizer,d, nlists, M, nbits, M_refine, nbits_refine; M+M_refine+4或M+M_refine+8; 否
单元捕获方法
常用的一种加速检索过程，但以一定找到最近邻为代价的方法是是使用例如k-means的分割技术，对应的算法有时称之为 单元捕获方法
我们使用一种基于多捕获的分割方法：
- 特征空间分割为ncells单元。
- 数据集向量根据哈希函数赋值到其中的一个单元，存储在ncells个倒置列表的倒置文件系统中（在k-means中，查询向量会赋值到离它最近的中心点）。
- 查询时，选择nprobe个倒置列表；
- 查询向量和每个列表中的每个库向量比较。
通过上述方法，只有部分数据库向量与查询向量比较：初步估计，这个比例大约是nprobe/ncells，但是需要注意的是，这个估计通常是偏低的，因为各个倒置列表并不是等长的。当给定查询向量的最近邻所在单元未被选中时，就会查询失败。
Faiss C++对应的index是IndexIVFFlat。构造函数将index作为参数，用于倒置列表的赋值，查询操作在这个index中进行，返回倒置列表中向量ID。
使用带有Flat Index单元捕获方法作为粗分类量化器
通常，我们使用Flat Index作为粗分类量化器。IndexIVF的训练方法给这些flat index添加中心点。nprobe在查询时确定（对于衡量速度和精确度很有用）。
注意：n表示索引的点数，选择这个中心点数的常用方法：赋值到中心点的花费 和 当解析倒置列表时需要计算的距离次数。中心点的数目大致为：ncentroids=C*sqrt(n).
注意 IndexIVFKmeans和IndexIVFSphericalKmeans不是对象，而是返回IndexIVFFlat对象的函数。
警告：分割方法容易遭遇维度诅咒，对于及其高维的数据，要得到好的召回率需要很大数目的probe值。
和LSH的关系
最有名的单元捕获方法就是，但是这个方法和它的演变方法有两个缺点：
- 需要很多哈希函数获得较好的结果，导致占用内存很多；
- 哈希函数不适用于输入数据，容易导致次优选择。
二值code
在C++，一个LSH index声明：
IndexLSH* index = new faiss::IndexLSH(d, nbits);
其中d是输入向量维度，nbits是每个存储向量的比特位数目。
而python的（改进的）LSH index构建和检索如下：
n_bits = 2*d
lsh = faiss.IndexLSH(d, n_bits)
lsh.tracin(x_train)
lsh.add(x_vase)
D, I = lsh.search(x_query, k)
注意： 该算法使用的不是vanilla-LSH，而是更好的选择。
基于量化的方法
在C++，基于量化的index由关键字PQ定义。其中n_bits必须等于8,12或者16.维度d必须是m的倍数。
倒置文件系统与PQ
倒置文件系统+PQ可能对于大规模检索最有用。通常如下使用：
coarse_quantizer = faiss.IndexFlatL2(d)
index = faiss.IndexIVFPQ(coarse_quantizer, d, ncentroids, code_size, 8)
index.nprobe = 5
可以查看IndexIVFFlat那章设置ncentroids，code_size通常是24~264。和IndexPQ一样，d是m的倍数。