PQ系列的算法大致的套路分三个阶段：训练、量化、查询
[1] - 训练
假设样本向量维度D=64，将原始的D维向量分成M=8段，那么每段的子维度subD=8.
对训练集每段分别进行k-means聚类，假设每段聚类的k=256，那么M段分别聚类之后会得到MxsubDxk个类中心（也叫码本），每个类中心的维数为subD.
[2] - 量化
首先将样本分成M段，对于每个子段m，去256个类中心中寻找距离最近的类中心U(m)，原始向量则量化成M维索引的笛卡尔乘积.
[3] - 查询
分对称SDC和非对称查询ADC.
ADC距离的查询过程如下：首先计算查询向量和类中心的距离，得到距离表. 遍历样本库中的向量，根据距离表，计算每个样本与查询向量的距离和. 返回k个距离最接近的样本.
PQ系列的算法大致的套路分三个阶段：训练、量化、查询
[1] - 训练
假设样本向量维度D=64，将原始的D维向量分成M=8段，那么每段的子维度subD=8.
对训练集每段分别进行k-means聚类，假设每段聚类的k=256，那么M段分别聚类之后会得到MxsubDxk个类中心（也叫码本），每个类中心的维数为subD.
[2] - 量化
首先将样本分成M段，对于每个子段m，去256个类中心中寻找距离最近的类中心U(m)，原始向量则量化成M维索引的笛卡尔乘积.
[3] - 查询
分对称SDC和非对称查询ADC.
ADC距离的查询过程如下：首先计算查询向量和类中心的距离，得到距离表. 遍历样本库中的向量，根据距离表，计算每个样本与查询向量的距离和. 返回k个距离最接近的样本.