本文旨在解决在使用 pip 安装 faiss-gpu 时遇到的
常见问题
，尤其是在 Python 3.8 环境下。通过分析错误信息，明确问题根源在于 faiss-gpu 的元数据不一致。文章将提供一种替代方案，通过设置
环境变量
并安装 faiss-cpu 来启用 GPU 支持，从而绕过直接编译 faiss-gpu 源码的障碍，确保成功安装并使用 Faiss 的 GPU 加速功能。
在使用 pip 安装 faiss-gpu 时，你可能会遇到类似以下的错误信息：
以及
这些错误表明 pip 尝试从 PyPI 获取 faiss-gpu 的源代码发行版并进行编译，但由于元数据不正确（faiss-gpu 的元数据实际指向 faiss-cpu）以及缺少构建依赖项（例如 numpy），导致安装失败。 这实际上是 Faiss wheels 的一个已知问题。
解决方案：通过安装 faiss-cpu 启用 GPU 支持
立即学习
“
Python免费学习笔记（深入）
”；
虽然直接安装 faiss-gpu 可能会失败，但可以通过安装 faiss-cpu 并设置环境变量来启用 GPU 支持。 这种方法绕过了直接编译 faiss-gpu 源码的障碍，并依赖于预编译的 faiss-cpu 包，然后在运行时启用 GPU 功能。
以下是具体步骤：
设置环境变量 FAISS_ENABLE_GPU 为 ON。
在 Linux 或
mac
OS 系统中，可以在终端中执行以下命令：
Trae win
Trae Windows 官方版本现已全面支持 Win10 和 Win11 系统（64位）。国内开发者可直接访问 Trae 中文官网（trae.cn 或 trae.com.cn），一键下载官方正版 .exe 安装包，享受国内直连的高速稳定体验。安装过程极其简便，双击即可运行，并支持一键无缝导入 VS Code 或 Cursor 的原有主题、快捷键及插件配置。登录支持手机号、微信或稀土掘金账号。内置免费的豆包与 DeepSeek 等顶级大模型，让你开箱即用，轻松开启高效的 AI 智能编程之旅。
下载
在 Windows 系统中，可以通过以下方式设置环境变量：
在“控制面板”中搜索“环境变量”。
选择“编辑系统环境变量”。
点击“环境变量”按钮。
在“系统变量”部分，点击“新建”。
变量名设置为 FAISS_ENABLE_GPU，变量值设置为 ON。
点击“确定”保存所有更改。
使用 pip 安装 faiss-cpu，并禁用二进制包。
--no-binary :all: 选项强制 pip 从源代码构建 faiss-cpu，这对于确保正确链接 GPU 支持至关重要。
代码示例
安装完成后，你可以在 Python 代码中验证 GPU 是否已启用：
注意事项
确保你已安装了 CUDA 工具包和相应的 NVIDIA 驱动程序，并且版本与 Faiss 兼容。
如果仍然遇到问题，请检查你的 CUDA 和 cuDNN 环境变量是否已正确设置。
如果你的系统有多个 GPU，你可以通过修改 faiss.index_cpu_to_gpu 函数的第二个参数来选择要使用的 GPU 设备。
如果安装过程中提示缺少 numpy 模块，请先安装 numpy：pip install numpy。
该方法也适用于其他版本的 Python，但请注意选择与你的 Python 版本兼容的 Faiss 版本。
总结
通过设置环境变量 FAISS_ENABLE_GPU 并安装 faiss-cpu，可以有效地解决 faiss-gpu 安装失败的问题，并利用 GPU 加速 Faiss 索引和搜索操作。 这种方法避免了直接编译 faiss-gpu 源代码，从而绕过了元数据不一致和构建依赖项缺失的问题。 确保 CUDA 工具包和 NVIDIA 驱动程序已正确安装，并且环境变量已正确配置，是成功启用 GPU 支持的关键。
WARNING: Generating metadata for package faiss-gpu produced metadata for project name faiss-cpu. Fix your #egg=faiss-gpu fragments.
Discarding ... faiss-gpu-1.7.1.post2.tar.gz: Requested faiss-cpu from ... has inconsistent name: expected 'faiss-gpu', but metadata has 'faiss-cpu'ModuleNotFoundError: No module named 'numpy'export FAISS_ENABLE_GPU=ONpip install --no-binary :all: faiss-cpuimport faiss
import numpy as np
# 检查是否有可用的 GPU
print(faiss.get_num_gpus())
# 创建一个简单的索引 (仅用于演示)
d = 128 # 向量维度
index = faiss.IndexFlatL2(d)
# 如果有 GPU，将索引转移到 GPU
if faiss.get_num_gpus() > 0:
res = faiss.StandardGpuResources() # 初始化GPU资源
index = faiss.index_cpu_to_gpu(res, 0, index) # 将CPU索引转移到GPU
# 创建一些随机向量
nb = 1000 # 向量数量
nq = 100 # 查询向量数量
np.random.seed(1234)
xb = np.random.random((nb, d)).astype('float32')
xq = np.random.random((nq, d)).astype('float32')
# 添加向量到索引
index.add(xb)
# 执行搜索
k = 5 # 查找最近的 k 个邻居
D, I = index.search(xq, k) # D: 距离, I: 索引
print(I[:5]) # 打印前5个查询向量的最近邻索引