以下是关于Rust向量搜索库ivf的使用信息：

安装方法：

1. 在项目目录中运行以下Cargo命令：

cargo add ivf

1. 或者在Cargo.toml中添加以下行：

ivf = "0.1.4"

库信息：

• 版本：0.1.4
• 许可证：BSD-2-Clause
• 大小：3.33 KiB
• 发布时间：2个月前
• 2021版

所有者：

• Luca Barbato
• Thomas Daede

以下是使用ivf库进行向量搜索的完整示例代码：

use ivf::IvfIndex;

fn main() {
    // 创建IVF索引
    let dimension = 128; // 向量维度
    let n_list = 100; // 聚类中心数量
    let n_probe = 10; // 搜索时探查的聚类中心数量
    
    let mut index = IvfIndex::new(dimension, n_list).unwrap();
    
    // 添加训练数据
    let training_data: Vec<Vec<f32>> = vec![
        vec![0.1; dimension],
        vec![0.2; dimension],
        // 更多训练向量...
    ];
    
    index.train(&training_data).unwrap();
    
    // 添加索引向量
    let vectors: Vec<Vec<f32>> = vec![
        vec![0.15; dimension],
        vec![0.25; dimension],
        // 更多索引向量...
    ];
    
    let ids: Vec<u64> = (0..vectors.len()).map(|x| x as u64).collect();
    index.add_with_ids(&vectors, &ids).unwrap();
    
    // 搜索最近邻
    let query = vec![0.12; dimension];
    let k = 5; // 返回的最近邻数量
    
    let result = index.search(&query, k, n_probe).unwrap();
    
    println!("搜索结果: {:?}", result);
}

这个示例展示了：

1. 创建IVF索引
2. 使用训练数据训练索引
3. 添加向量到索引中
4. 执行近似最近邻搜索

注意：实际使用时需要根据您的具体数据调整参数，如向量维度、聚类中心数量和探查数量等。

以下是更完整的示例demo，展示了实际场景中的IVF向量搜索应用：

use ivf::IvfIndex;
use rand::Rng;

fn main() {
    // 配置参数
    let dimension = 64; // 更小的向量维度
    let n_list = 50;   // 中等数量的聚类中心
    let n_probe = 5;   // 搜索时探查的聚类中心数量
    let num_vectors = 1000; // 索引中的向量数量
    let k = 3; // 返回的最近邻数量

    // 创建IVF索引
    let mut index = IvfIndex::new(dimension, n_list).expect("创建索引失败");
    
    // 生成随机训练数据
    let mut rng = rand::thread_rng();
    let mut training_data = Vec::new();
    for _ in 0..500 { // 500个训练样本
        let mut vec = Vec::with_capacity(dimension);
        for _ in 0..dimension {
            vec.push(rng.gen_range(0.0..1.0));
        }
        training_data.push(vec);
    }
    
    // 训练索引
    index.train(&training_data).expect("训练失败");
    
    // 添加索引向量
    let mut vectors = Vec::new();
    let mut ids = Vec::new();
    
    for i in 0..num_vectors {
        let mut vec = Vec::with_capacity(dimension);
        for _ in 0..dimension {
            vec.push(rng.gen_range(0.0..1.0));
        }
        vectors.push(vec);
        ids.push(i as u64);
    }
    
    index.add_with_ids(&vectors, &ids).expect("添加向量失败");
    
    // 生成查询向量
    let mut query = Vec::with_capacity(dimension);
    for _ in 0..dimension {
        query.push(rng.gen_range(0.0..1.0));
    }
    
    // 执行搜索
    let result = index.search(&query, k, n_probe).expect("搜索失败");
    
    println!("查询向量: {:?}", query);
    println!("Top {} 最近邻结果: {:?}", k, result);
}

这个完整示例展示了：

1. 使用随机数据生成器创建训练数据和索引向量
2. 更实际的参数配置
3. 完整的错误处理
4. 结果输出包含查询向量和搜索结果

可以根据实际需求调整向量维度、数据量和搜索参数。