add vector search doc

docs/zh_CN_tmp/image_recognition_pipeline/vector_search.md

 # 向量检索
 
-向量检索是在图像识别、图像检索中应用比较广泛。其主要目标是，对于给定的查询向量，在已经建立好的向量库中，与库中所有的待查询向量，进行特征向量的相似度或距离计算，得到相似度排序。在图像识别系统中，我们使用[Faiss](https://github.com/facebookresearch/faiss)对此部分进行支持，具体信息请详查[Faiss官网](https://github.com/facebookresearch/faiss)。`Faiss`主要有以下优势
+向量检索技术在图像识别、图像检索中应用比较广泛。其主要目标是，对于给定的查询向量，在已经建立好的向量库中，与库中所有的待查询向量，进行特征向量的相似度或距离计算，得到相似度排序。在图像识别系统中，我们使用[Faiss](https://github.com/facebookresearch/faiss)对此部分进行支持，具体信息请详查[Faiss官网](https://github.com/facebookresearch/faiss)。`Faiss`主要有以下优势
 
 - 适配性好：支持Windos、Linux、MacOS系统
 - 安装方便： 支持`python`接口，直接使用`pip`安装
@@ -26,10 +26,10 @@ pip install faiss-cpu==1.7.1post2
 目前`PaddleClas`中检索模块，支持如下三种检索算法
 
 - **HNSW32**: 一种图索引方法。检索精度较高，速度较快。但是特征库只支持添加图像功能，不支持删除图像特征功能。（默认方法）
-- **IVF**：倒排索引检索方法。速度较快，但是精度略低。特征库支持增加、删除图像特功能。
+- **IVF**：倒排索引检索方法。速度较快，但是精度略低。特征库支持增加、删除图像特征功能。
 - **FLAT**： 暴力检索算法。精度最高，但是数据量大时，检索速度较慢。特征库支持增加、删除图像特征功能。
 
-每种检索算法，满足不同场景。其中`HNSW32`为默认方法，此方法在检索精度、检索速度可以取得一个较好的平衡，具体算法介绍可以查看[官方文档](https://github.com/facebookresearch/faiss/wiki)。
+每种检索算法，满足不同场景。其中`HNSW32`为默认方法，此方法的检索精度、检索速度可以取得一个较好的平衡，具体算法介绍可以查看[官方文档](https://github.com/facebookresearch/faiss/wiki)。
 
 ## 三、相关配置文档参数介绍
 
@@ -56,9 +56,9 @@ IndexProcess:
 - **index_dir**：构建的特征库所存放的文件夹
 - **image_root**：构建特征库所需要的标注图像所存储的文件夹位置
 - **data_file**：构建特征库所需要的标注图像的数据列表，每一行的格式：relative_path label
-- **index_operation**： 此次运行建库的操作：`new`新建，`append`将data_file的图像特征添加到特征库中，`remove`将data_file的特征从特征库中删除
+- **index_operation**： 此次运行建库的操作：`new`新建，`append`将data_file的图像特征添加到特征库中，`remove`将data_file的图像从特征库中删除
 - **delimiter**：**data_file**中每一行的间隔符
-- **dist_type**: 特征屁配过程中使用的相似度计算方式。`IP`内积相似度计算方式，`L2`欧式距离计算方法
+- **dist_type**: 特征匹配过程中使用的相似度计算方式。`IP`内积相似度计算方式，`L2`欧式距离计算方法
 - **embedding_size**：特征维度
 
 ### 3.2 检索配置文件参数
@@ -70,7 +70,7 @@ IndexProcess:
   score_thres: 0.5
 ```
 
-与建库配置文件相似，新参数主要如下：
+与建库配置文件不同，新参数主要如下：
 
 - `return_k`: 检索结果返回`k`个结果
 - `score_thres`: 检索匹配的阈值