<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Faiss on 知识铺的博客</title>
    <link>https://index.zshipu.com/geek001/tags/Faiss/</link>
    <description>Recent content in Faiss on 知识铺的博客</description>
    <generator>Hugo -- gohugo.io</generator>
    <language>zh-CN</language>
    <lastBuildDate>Tue, 20 Aug 2024 02:56:44 +0000</lastBuildDate>
    <atom:link href="https://index.zshipu.com/geek001/tags/Faiss/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>实战入门FAISS搜索BERT模型</title>
      <link>https://index.zshipu.com/geek001/post/20240801/%E5%AE%9E%E6%88%98%E5%85%A5%E9%97%A8FAISS%E6%90%9C%E7%B4%A2BERT%E6%A8%A1%E5%9E%8B--%E7%9F%A5%E8%AF%86%E9%93%BA/</link>
      <pubDate>Tue, 20 Aug 2024 02:56:44 +0000</pubDate>
      <guid>https://index.zshipu.com/geek001/post/20240801/%E5%AE%9E%E6%88%98%E5%85%A5%E9%97%A8FAISS%E6%90%9C%E7%B4%A2BERT%E6%A8%A1%E5%9E%8B--%E7%9F%A5%E8%AF%86%E9%93%BA/</guid>
      <description>在这一期中，我们延续上一期 Bert 中文短句相似度计算 Docker CPU镜像，继续使用 huggingface transformer 和 sentence-transformer 类库，并将英语句子生成 bert embedding，然后引入 faiss 类库来建立索引，最后查询最接近的句子。 Docker 镜像获取方式 本期 docker 镜像获取方式为，关注 MyEncyclopedia 公众号后回复 docker-faiss-transformer 即可获取如下完整命令。 1 docker run -p 8888:8888 myencyclopedia/faiss-demo bash -c &#39;jupyter notebook --allow-root --port 8888 --NotebookApp.token= --ip 0.0.0.0&#39; 然</description>
    </item>
    <item>
      <title>Faiss向量数据库Docker化部署与向量化执行教程</title>
      <link>https://index.zshipu.com/geek001/post/20240801/Faiss%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93Docker%E5%8C%96%E9%83%A8%E7%BD%B2%E4%B8%8E%E5%90%91%E9%87%8F%E5%8C%96%E6%89%A7%E8%A1%8C%E6%95%99%E7%A8%8B--%E7%9F%A5%E8%AF%86%E9%93%BA/</link>
      <pubDate>Tue, 20 Aug 2024 02:55:44 +0000</pubDate>
      <guid>https://index.zshipu.com/geek001/post/20240801/Faiss%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93Docker%E5%8C%96%E9%83%A8%E7%BD%B2%E4%B8%8E%E5%90%91%E9%87%8F%E5%8C%96%E6%89%A7%E8%A1%8C%E6%95%99%E7%A8%8B--%E7%9F%A5%E8%AF%86%E9%93%BA/</guid>
      <description>Faiss向量数据库使用教程：Docker化部署与向量化执行 一、前言 Faiss（Facebook AI Similarity Search）是由Facebook AI开发的一个高效相似性搜索库和工具集。它能够支持数十亿级别的向量存储，并在毫秒级别完成相似性搜索，为推荐系统、图像和文本检索等任务提供了强大的解</description>
    </item>
    <item>
      <title>Milvus 和 Faiss 安装及使用教程</title>
      <link>https://index.zshipu.com/geek001/post/20240801/Milvus-%E5%92%8C-Faiss-%E5%AE%89%E8%A3%85%E5%8F%8A%E4%BD%BF%E7%94%A8%E6%95%99%E7%A8%8B--%E7%9F%A5%E8%AF%86%E9%93%BA/</link>
      <pubDate>Tue, 20 Aug 2024 02:54:44 +0000</pubDate>
      <guid>https://index.zshipu.com/geek001/post/20240801/Milvus-%E5%92%8C-Faiss-%E5%AE%89%E8%A3%85%E5%8F%8A%E4%BD%BF%E7%94%A8%E6%95%99%E7%A8%8B--%E7%9F%A5%E8%AF%86%E9%93%BA/</guid>
      <description>高性能向量检索库(milvus &amp;amp; faiss)简介 Milvus和Faiss都是高性能向量检索库，它们能够快速检索出与目标向量最相似的向量。本文将对这两个库进行介绍和对比，并提供Milvus和Faiss的安装及使用教程。 什么是Milvus和Faiss？ Milvus是一款开源的向量数据</description>
    </item>
    <item>
      <title>向量检索技术详解及应用案例</title>
      <link>https://index.zshipu.com/geek001/post/20240801/%E5%90%91%E9%87%8F%E6%A3%80%E7%B4%A2%E6%8A%80%E6%9C%AF%E8%AF%A6%E8%A7%A3%E5%8F%8A%E5%BA%94%E7%94%A8%E6%A1%88%E4%BE%8B--%E7%9F%A5%E8%AF%86%E9%93%BA/</link>
      <pubDate>Tue, 20 Aug 2024 02:42:44 +0000</pubDate>
      <guid>https://index.zshipu.com/geek001/post/20240801/%E5%90%91%E9%87%8F%E6%A3%80%E7%B4%A2%E6%8A%80%E6%9C%AF%E8%AF%A6%E8%A7%A3%E5%8F%8A%E5%BA%94%E7%94%A8%E6%A1%88%E4%BE%8B--%E7%9F%A5%E8%AF%86%E9%93%BA/</guid>
      <description>向量检索技术是一种高效的搜索方法，广泛应用于多个领域。以下是对这项技术的详细解析以及其应用场景的梳理。 向量检索技术概述向量检索技术允许我们在向量空间中快速找到与查询向量最相似的向量。这项技术通常基于度量方式，如欧式距离，实现相似向量的搜索。在实际应用中，非结构化数据如文本、图像和</description>
    </item>
    <item>
      <title>开源向量数据库比较分析</title>
      <link>https://index.zshipu.com/geek001/post/20240801/%E5%BC%80%E6%BA%90%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E6%AF%94%E8%BE%83%E5%88%86%E6%9E%90--%E7%9F%A5%E8%AF%86%E9%93%BA/</link>
      <pubDate>Tue, 20 Aug 2024 02:41:44 +0000</pubDate>
      <guid>https://index.zshipu.com/geek001/post/20240801/%E5%BC%80%E6%BA%90%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E6%AF%94%E8%BE%83%E5%88%86%E6%9E%90--%E7%9F%A5%E8%AF%86%E9%93%BA/</guid>
      <description>语义搜索和检索增强生成(RAG)的革命性影响 随着技术的不断进步，语义搜索和检索增强生成（RAG）正在彻底改变我们与互联网的互动方式。这种变革背后的核心技术之一就是向量数据库。选择合适的向量数据库对于满足特定需求至关重要。本文将提供对四个主要开源向量数据库的全面比较，以帮助您做出明</description>
    </item>
  </channel>
</rss>
