faiss安装
faiss是facebook开发的有CPU版本和GPU版本的求密集向量相似性和进行密集向量聚类的库。
faiss用c++编写，安装faiss需要在github上下载其c++源码并用make编译安装
faiss仅有的两个依赖包：blas和lapack
CPU 方面，Facebook 大量利用了：
多线程以充分利用多核性能并在多路 GPU 上进行并行搜索。
BLAS 算法库通过 matrix/matrix 乘法进行高效、精确的距离计算。没有 BLAS，高效的强力执行很难达到最优状态。 BLAS/LAPACK 是唯一一个 Faiss 必须的前提软件。
机器 SIMD 矢量化和 popcount 被用于加速孤立矢量的距离计算。
GPU方面：
对于从前的相似性搜索 GPU 执行，k-selection（寻找 k-minimum 或 maximum 因子）一直存在性能问题。这是因为普通的 CPU 算法（比如 heap selection）并不适用于 GPU。对于 Faiss GPU，Facebook 设计了学术圈迄今为止最快的小型 k-selection 算法（k <= 1024）。所有中间状态都完全保存在寄存器中，进一步提升了速度。它能够将输入数据以 single pass 进行 k-select，运行于潜在峰值性能的 55%，取决于峰值 GPU 显存带宽。由于其状态只存储在注册表中，并可与其他 kernels 融合，使它成为超级快的 exact 和 approximate 搜索引擎。
研究领域的许多注意力被放到了高效的 tiling 策略，和面向 approximate 搜索的 kernels 执行。多 GPU 支持用过粉碎或复制数据来提供。开发者并不会受单 GPU 显存大小的限制。半精度浮点支持 (float16) 也有提供，可在支持的 GPU 上进行完整 float16 运算，或者更早 GPU 架构所提供的的中级 float16 存储。我们发现 float16 这样的编码矢量能在几乎不损失精度的前提下进行加速。
一、CPU版本的编译（实际上并不是安装，只是在faiss文件夹中编译出可import的py，pyc，so文件（默认就放在faiss文件夹下）即可，并不会在faiss文件夹以外的地方添加任何东西）
关键：先在faiss文件夹下make编译，然后再在faiss文件夹下make py编译出python文件。
前提：仔细读makefile和makefile.inc，配置好所需so库（/usr/lib)。c++项目编译出python文件需要安装swig命令（环境变量/etc/profile）。
1、从github上将c++项目clone下来
git clone https://github.com/facebookresearch/faiss
2、打开下载的项目，如下
错误1：
发现有名为makefile的文件，则直接make命令编译项目，发现报错，说缺少makefile.inc文件
经过查资料，发现使用make编译的项目一定有makefile文件，同时在makefile文件中，还可能会引用makefile.inc文件
看到项目中有一个example_makefiles文件夹，进入，看到里面有多种inc文件，因为是ubuntu，我选用makefile.inc.Linux，将这个文件拷贝到faiss目录中，改名为makefile.inc
错误2：
再次执行make命令编译，结果发现报错如下：
undefined reference to错误，就是有函数没有定义
一开始以为clone的时候没有下全，重新下了一遍还是这样（后来想想真蠢）
然后我打开报错的文件，utils.cpp 和 VectorTransform.cpp看了一下，发现报错的这几个函数确实只有声明，没有定义
看到上面注释中说，这些函数是lapack中的，于是我以为是因为没有安装lapack，又去官网下载安装lapack，下载编译安装lapack之后发现还是不行，我又重新下载了最新版的lapack，重新编译安装发现还是不行（而且还出现了新的错误）。。。
然后我又注意到上面的注释中说“see http://www.netlib.org/clapack/old/single/sgeqrf.c”
我就又去下载了sgeqrf.c放到faiss文件夹下，还是不行。然后我又想把sgeqrf.c的代码放到utils.cpp中，但是sgeqrf中又引用了其他不存在的函数，永远也引不完的啊，这错误肯定不会是这么解决的，所以再次推倒重来。
最后，发现了，是动态链接库的问题！！
就是说，c++工程，没必要所有函数都在cpp文件中写好，可以在编译过程中调用动态链接库（动态链接库即.so文件)。所以一般地，我们需要在makefile或makefile.inc中配置好所要用的动态链接库（即.so文件）的路径。像lapack，blas，这样的软件，在安装的时候会自动将它的.so文件安装到系统中的默认位置，然后一般从github上clone下来的项目中，也会在makefile或makefile.inc文件中预先配置好这个默认位置。
但关键在于，这个默认位置，不同系统不一样！！不同linux版本ubuntu和centos也不一样！！
facebook发布在github上的faiss项目的makefile.inc文件中，调用blas和lapack的.so文件的路径默认是centos下的，而我是在ubuntu下，所以我一直各种下载，安装，还是显示有函数未定义的错误，因为makefile.inc找不到它需要的.so文件！
所以我打开faiss的makefile.inc文件，找到BLASDFLAGS这一行，将这一行配置的libopenblas.so.0文件和liblapack.so.0文件，在命令行下用find搜索一下，或者直接切到/usr/lib下搜索一下，将其正确的路径配置上。
然后make，就编译成功了。
ubuntu中，一般地，so文件放在/usr/lib下，但也有放在/lib下的，也有放在/usr/local/lib下的，关于/lib，/usr/lib，/usr/local/lib三个lib目录的区别参见：http://blog.csdn.net/zhuying_linux/article/details/6195774
错误3：
编译完成后发现faiss文件夹下多了几个.pyc文件，但注意安装方式不是把这几个pyc文件复制到python的库目录（ubuntu下/usr/lib/python2.7/site-packages或/usr/lib/python2.7/dist-packages 这两个库目录的区别参见：https://www.cnblogs.com/kevin922/p/3161411.html）！！而是根据教程，继续执行make py命令，执行make py命令之后，发现报错
找不到swig命令
搜索了一下swig是什么，原来swig是c/c++和python的“粘合剂”，参见http://blog.csdn.net/soaringlee_fighting/article/details/61925620
那么解决思路就是安装swig并将swig命令添加到环境变量
安装swig：
1. 下载 swig 源码
http://www.swig.org/survey.html
填写一个简单的问卷，即可进入 sourceforge 下载。
2. 安装 g++
sudo apt-get install g++
如果安装过，无需再次安装。步骤 3 同理。
检验一下你的系统是否安装了 g++，输入
g++ -version
3. 安装 pcre
sudo apt-get install libpcre3 libpcre3-dev
4. 解压 swig 源码
chmod 777 swig-2.0.11.tar.gz // 改变权限
tar -xzvf swig-2.0.11.tar.gz // 解压
5. 配置、编译和安装 swig
cd 到刚才解压的目录里面
./configure --prefix=/swig目录 // 指定安装目录
make // 编译
make install // 安装
如果想让默认安装的话，可以直接执行./configure
配置环境变量：
修改/etc/profile文件
将 “export PATH=/swigtool安装目录/bin:$PATH” 添加到文件末尾单独一行，即可（原理是在每次系统启动时自动读取该文件中的命令并执行）
这样，在其他路径下就可以执行 swig 命令。
查看swig命令安装是否成功
然后在faiss文件夹中执行make py，执行完成。
测试：在faiss文件夹下，进入python2命令行，import faiss测试一下（注意，如果不在faiss目录下import还是会提示包不存在的，或者你可以先配置一下PYTHONPATH环境变量，将faiss中python库的安装目录加入到PYTHONPATH中）：
faissCPU版本安装成功！
二、GPU版本的编译（实际上并不是安装，只是在faiss文件夹中编译出可import的py，pyc，so文件（默认就放在faiss文件夹下）即可，并不会在faiss文件夹以外的地方添加任何东西）
关键：编译完CPU版本之后，进入faiss/gpu文件夹下执行make py即可编译出GPU版本需要的python文件。
前提：在CPU版本编译完成的基础之上进行，需要先安装好cuda，导入cudnn关联，配置cuda相关的三个环境变量。
完整的安装版本过程如下，但是注意：（1）我司的simple上已经安装好了cuda并配置好了关联，我们只需要从1.2开始即可。（2）我们刚才已经安装好了CPU版本，请注意不需要再make了，配置好cuda的环境变量后直接进入faiss的gpu文件夹执行make py即可。（3）每次在faiss文件夹中执行make clean之后都要重新make+make py（in faiss）+make py（in faiss/gpu）才能正常import faiss
完整的安装步骤：
- 搭建 GPU 开发环境
– 安装 CUDA 并导入 CuDNN 关联
– 配置环境变量 - C++ GPU 开发环境
- Python GPU 开发环境
- 结束
1、搭建 GPU 开发环境
GPU 开发环境是 GPU-FAISS 开发的基础，主要分为安装CUDA并导入CuDNN关联、配置环境变量三部分。
1.1、安装CUDA并导入CuDNN关联
CUDA， Compute Unified Device Architecture， 是 NVIDIA 推出的通用并行计算框架。CuDNN 是 NVIDIA 提供的 GPU 计算加速方案。
快捷下载: 云盘 密码：77bg
安装CUDA
# 修改权限
chod +x cuda_8.0.44_linux.run# 安装CUDA
bash cuda_8.0.44_linux.run
！注意 不要选择重装显卡驱动，操作如下：
关联 CuDNN
# 解压文件。
tar -xzvf cudnn-8.0-linux-x64-v5.1.tgz# root权限# 拷贝到指定目录下。
cp -a ./cuda/include/* /usr/local/cuda/include/
cp -a ./cuda/lib64/* /usr/local/cuda/lib64/
1.2、配置环境变量
为开发用户定制环境变量。
# 编辑文件。 vim $HOME/.bash_profile # 添加 CUDA 和 CuDNN 的支持。 export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64" export CUDA_HOME=/usr/local/cuda export PATH="$PATH:/usr/local/cuda/bin" # 加载。 source $HOME/.bash_profile
2、安装
# 进入gpu目录 &编译。 cd gpu make py
测试：在faiss文件夹下，进入python2命令行，执行import faiss，import _swigfaiss_gpu，执行 成功则安装成功。
