派尔蒙 PyLMNN是用于在纯python中进行度量学习的算法的实现。 此实现紧密遵循在找到的Kilian Weinberger的原始MATLAB代码。 此版本解决了无限制的优化问题，并使用L-BFGS作为后端优化器找到了线性变换。 该软件包还可以使用出色的软件包通过贝叶斯优化找到LMNN的最佳超参数。 安装 该代码是在Ubuntu 16.04下的python 3.5中开发的，并且也在Ubuntu 18.04和python 3.6下进行了测试。 您可以使用以下命令克隆存储库： git clone https://github.com/johny-c/pylmnn.git 或通过pip安装它： pip3 install pylmnn 依存关系 numpy的> = 1.11.2 scipy> = 0.18.1 scikit_learn> = 0.18.1 可选依赖项 如果要使用超参

向量 Postgres 的开源向量相似度搜索 CREATE TABLE table (column vector( 3 )); CREATE INDEX ON table USING ivfflat (column); SELECT * FROM table ORDER BY column < - > ' [1,2,3] ' LIMIT 5 ; 支持 L2 距离、内积和余弦距离 安装 编译安装扩展（支持 Postgres 9.6+） git clone --branch v0.1.7 https://github.com/ankane/pgvector.git cd pgvector make make install # may need sudo 然后将其加载到要使用它的数据库中 CREATE EXTENSION vector; 您还可以使用 、 或安装它 入门 创建一个 3

弹性蛋白 Elasticsearch插件，用于在密集的浮点和稀疏布尔向量上进行相似性搜索。 文献资料 如果您想为Elastiknn做出贡献，请参阅developer-guide.md。 社区 如果您有疑问，错误等，请在上。 用户数 您正在使用Elastiknn吗？ 如果是这样，请考虑提交拉取请求以在下面列出您的组织。 ：使用Elastiknn进行数百万个图像集中的反向图像查找 建物 建造 地位 Github CI构建 Github发布版本 发行版 神器 释放 快照 资料下载 Elasticsearch插件zip文件 Elastiknn的Python HTTP客户端 具有精确和近似向量相似性模型的Java库 带Lucene查询和Elastiknn中使用的构造的Java库 Elastiknn JSON API的Scala案例类和圆形编解码器 基于elastic4s的Elast

纳米级 纳米产品量化（nanopq）：产品量化（PQ）和优化产品量化（OPQ）的纯实现，以纯python编写，没有任何第三方依赖性。 正在安装 您可以通过pip安装软件包。 该库可在Linux上与Python 3.5+一起使用。 pip install nanopq 例子 import nanopq import numpy as np N , Nt , D = 10000 , 2000 , 128 X = np . random . random (( N , D )). astype ( np . float32 ) # 10,000 128-dim vectors to be indexed Xt = np . random . random (( Nt , D )). astype ( np . float32 ) # 2,000 128-dim vectors for t

这是一个执行 K 近邻搜索的小而有效的工具，具有广泛的科学和工程应用，例如模式识别、数据挖掘和信号处理。 代码最初是通过矢量化实现的。 在与 John D'Errico 讨论后，我意识到我的算法会遇到大值数据的数值精度问题。 然后，在尝试了几种方法之后，我发现使用 JIT 加速的简单循环是最有效的解决方案。 现在，即使后者编码在 mex 文件中，代码的性能也可以与 kd-tree 相媲美。 代码非常简单，因此也适合初学者学习knn搜索。

福特兰八叉树 Fortran八叉树实现。 测试 $ mkdir build && cd build $ cmake .. $ make $ ./octree_test [point number, default is 100]