torch.cdist¶
- torch.cdist(x1, x2, p=2.0, compute_mode='use_mm_for_euclid_dist_if_necessary')[源代码]¶
计算两个行向量集合中每一对之间的 p 范数距离。
- 参数
x1 (张量) – 形状为 的输入张量。
x2 (张量) – 形状为 的输入张量。
p (浮点数) – 用于计算每对向量之间的 p 范数距离的 p 值 .
compute_mode (字符串) – ‘use_mm_for_euclid_dist_if_necessary’ - 如果 P > 25 或 R > 25,则将使用矩阵乘法方法来计算欧几里得距离 (p = 2) ‘use_mm_for_euclid_dist’ - 将始终使用矩阵乘法方法来计算欧几里得距离 (p = 2) ‘donot_use_mm_for_euclid_dist’ - 永远不会使用矩阵乘法方法来计算欧几里得距离 (p = 2) 默认值:use_mm_for_euclid_dist_if_necessary。
- 返回类型
如果 x1 的形状为 且 x2 的形状为 ,则输出的形状将为 .
此函数等效于 scipy.spatial.distance.cdist(input,’minkowski’, p=p),如果 . 当 时,它等效于 scipy.spatial.distance.cdist(input, ‘hamming’) * M。当 时,最接近的 scipy 函数是 scipy.spatial.distance.cdist(xn, lambda x, y: np.abs(x - y).max())。
示例
>>> a = torch.tensor([[0.9041, 0.0196], [-0.3108, -2.4423], [-0.4821, 1.059]]) >>> a tensor([[ 0.9041, 0.0196], [-0.3108, -2.4423], [-0.4821, 1.0590]]) >>> b = torch.tensor([[-2.1763, -0.4713], [-0.6986, 1.3702]]) >>> b tensor([[-2.1763, -0.4713], [-0.6986, 1.3702]]) >>> torch.cdist(a, b, p=2) tensor([[3.1193, 2.0959], [2.7138, 3.8322], [2.2830, 0.3791]])