jax.lax.approx_min_k

jax.lax.approx_min_k#

jax.lax.approx_min_k(operand, k, reduction_dimension=-1, recall_target=0.95, reduction_input_size_override=-1, aggregate_to_topk=True)[源代码][源代码]#

以近似方式返回 operand 中的最小 k 值及其索引。

算法细节请参见 https://arxiv.org/abs/2206.14286。

参数:

  • operand (Array) – 要搜索最小k的数组。必须是浮点数类型。

  • k (int) – 指定最小k的数量。

  • reduction_dimension (int) – 要搜索的整数维度。默认值：-1。

  • recall_target (float) – 近似的目标值。

  • reduction_input_size_override (int) – 当设置为正值时，它将覆盖由 operand[reduction_dim] 确定的用于评估召回率的大小。当给定的操作数只是SPMD或分布式管道中整体计算的一个子集时，此选项非常有用，此时 operand 形状无法推断出真实输入大小。

  • aggregate_to_topk (bool) – 当为真时，将按排序顺序聚合前k个近似结果。当为假时，返回未排序的近似结果。在这种情况下，近似结果的数量是实现定义的，并且大于或等于指定的 k。

返回:

两个数组的元组。这些数组是最小的 k 个值以及它们在输入 operand 的 reduction_dimension 上的对应索引。数组的维度与输入 operand 相同，除了 reduction_dimension：当 aggregate_to_topk 为真时，缩减维度为 k；否则，它大于等于 k，其中大小由实现定义。

返回类型:

tuple[Array, Array]

我们鼓励用户用 jit 包装 approx_min_k。以下是关于在平方 l2 距离上进行最近邻搜索的示例：

>>> import functools
>>> import jax
>>> import numpy as np
>>> @functools.partial(jax.jit, static_argnames=["k", "recall_target"])
... def l2_ann(qy, db, half_db_norms, k=10, recall_target=0.95):
...   dists = half_db_norms - jax.lax.dot(qy, db.transpose())
...   return jax.lax.approx_min_k(dists, k=k, recall_target=recall_target)
>>>
>>> qy = jax.numpy.array(np.random.rand(50, 64))
>>> db = jax.numpy.array(np.random.rand(1024, 64))
>>> half_db_norm_sq = jax.numpy.linalg.norm(db, axis=1)**2 / 2
>>> dists, neighbors = l2_ann(qy, db, half_db_norm_sq, k=10)

在上面的例子中，我们计算 db^2/2 - dot(qy, db^T) 而不是 qy^2 - 2 dot(qy, db^T) + db^2 以提高性能。前者使用较少的算术运算并产生相同的邻居集合。

目录