Faiss是由Facebook于2017年开源的可支撑十亿级别数据检索的高效检索库，是为稠密向量提供高效相似度搜索和聚类的框架，其实现了包括索引搜索、PCA降维、PQ（乘积量化）等多种检索算法

参考链接 Faiss流程与原理分析 - yhzhou - 博客园

参考链接 完全解析：使用Faiss进行海量特征的相似度匹配_夕小瑶的卖萌屋-CSDN博客

直接给出实验结果：

 conda下的py3环境安装faiss方式：pip install faiss-cpu

在Intel i7CPU上对3299*512大小的底库进行检索，检索耗时从遍历搜索的240ms降低到faiss.IndexFlatL2方法的1ms，且该方法没有任何精度损失，速度提升能力还是比较喜人的。工程组同事反应，在嵌入式端，检索速度也有10倍的提升。

后续，可以再尝试使用其他方法进行测试，看是否能进一步提升速度。