torch.cdist

torch.cdist(x1, x2, p=2.0, compute_mode='use_mm_for_euclid_dist_if_necessary')

计算两个行向量集合中每对向量之间的批量p范数距离。

Parameters

• x1 (张量) – 形状为 $B \times P \times M$ 的输入张量。

• x2 (Tensor) – 输入张量，形状为 $B \times R \times M$.

• p (float) – 用于计算每对向量之间的p范数距离的p值 $\in [0, \infty]$.

• compute_mode (str) – ‘use_mm_for_euclid_dist_if_necessary’ - 如果P > 25或R > 25，将使用矩阵乘法方法计算欧几里得距离（p = 2） ‘use_mm_for_euclid_dist’ - 将始终使用矩阵乘法方法计算欧几里得距离（p = 2） ‘donot_use_mm_for_euclid_dist’ - 将永远不会使用矩阵乘法方法计算欧几里得距离（p = 2） 默认值：use_mm_for_euclid_dist_if_necessary。

Return type

张量

如果 x1 的形状为 $B \times P \times M$ 且 x2 的形状为 $B \times R \times M$，则输出将具有形状 $B \times P \times R$。

此函数等价于 scipy.spatial.distance.cdist(input,’minkowski’, p=p) 如果 $p \in (0, \infty)$. 当 $p = 0$ 时，它等价于 scipy.spatial.distance.cdist(input, ‘hamming’) * M. 当 $p = \infty$ 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]])