本文描述了ivfsq8索引在Milvus单机部署方式下的测试结果。
测试目标
参数不同情况下的查询时间和召回率。
测试方法
????软硬件环境
操作系统:CentOS Linux release 7.6.1810 (Core)
CPU:Intel(R) Xeon(R) CPU E5-2678 v3 @ 2.50GHz
GPU0:GeForce GTX 1080
GPU1:GeForce GTX 1080
内存:503GB
Docker版本:18.09
NVIDIA Driver版本:430.34
Milvus版本:0.5.3
SDK接口:Python 3.6.8
pymilvus版本:0.2.5
????数据模型
本测试中用到的主要数据:
数据来源:sift1b
数据类型:hdf5
关于该数据集的详细信息请参考:http://corpus-texmex.irisa.fr/ 。
测试指标
Query Elapsed Time: 数据库查询所有向量的时间(以秒计)。影响Query Elapsed Time的变量:
- nq (被查询向量的数量)
备注:在向量查询测试中,我们会测试下面参数不同的取值来观察结果:
被查询向量的数量nq将按照 [1, 10, 200, 400, 600, 800, 1000]的数量分组。
Recall: 实际返回的正确结果占总数之比。影响Recall的变量:
- nq (被查询向量的数量)
- topk (单条查询中最相似的K个结果)
备注:在向量准确性测试中,我们会测试下面参数不同的取值来观察结果:
被查询向量的数量nq将按照 [10, 200, 400, 600, 800, 1000]的数量分组,
单条查询中最相似的K个结果topk将按照[1, 10, 100]的数量分组。
测试报告
????测试环境
数据集:sift1b-1,000,000,000向量, 128维
表格属性:
-
nlist: 16384
-
metric_type: L2
查询设置:
-
nprobe: 32
Milvus设置:
-
cpu_cache_capacity: 150
-
gpu_cache_capacity: 6
-
use_blas_threshold: 1100
(Milvus设置的详细定义可以参考https://milvus.io/docs/en/reference/milvus_config/ )
测试方法:通过一次仅改变一个参数的值,测试查询向量时间和召回率。
-
查询后是否重启Milvus:否
????性能测试
数据查询
测试结果:Query Elapsed Time
topk : 100
search_resources: gpu0, gpu1
当nq为1000时,在GPU模式下查询一条128维向量需要耗时约17毫秒。
topk : 100
search_resources: cpu, gpu0
当nq为1000时,在GPU模式下查询一条128维向量需要耗时约27毫秒。
(阅读 https://github.com/milvus-io/milvus/blob/0.6.0/docs/test_report/milvus_ivfsq8_test_report_detailed_version_cn.md 获取更详细的信息)
总结
在CPU模式下查询耗时随nq的增长快速增大,而在GPU模式下查询耗时的增大则缓慢许多。当nq较小时,CPU模式比GPU模式耗时更少。但当nq足够大时,GPU模式则更具有优势。
在GPU模式下的查询耗时由两部分组成:(1)索引从CPU到GPU的拷贝时间;(2)所有分桶的查询时间。当nq小于500时,索引从CPU到GPU 的拷贝时间无法被有效均摊,此时CPU模式时一个更优的选择;当nq大于500时,选择GPU模式更合理。
和CPU相比,GPU具有更多的核数和更强的算力。当nq较大时,GPU在计算上的优势能被更好地被体现。
召回率测试
测试结果:Recall of GPU Mode
search_resources: gpu0, gpu1
测试结果:Recall of CPU Mode
search_resources: cpu, gpu0
(阅读 https://github.com/milvus-io/milvus/blob/0.6.0/docs/test_report/milvus_ivfsq8_test_report_detailed_version_cn.md 获取更详细的信息)
总结
随着nq的增大,召回率逐渐稳定至93%以上。
Milvus 源码
github.com/milvus-io/milvus
Milvus 官网
milvus.io
Milvus Slack社区
milvusio.slack.com
Milvus CSDN博客
zilliz.blog.csdn.net
© 2019 ZILLIZ™