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之间的 p-范数距离的批量计算。

参数

• x1 (Tensor) – 输入张量，最后两个维度分别代表点和特征维度。形状可以是 $D_1 \times D_2 \times \cdots \times D_n \times P \times M$，其中 $P$ 是点的数量，$M$ 是特征维度。

• x2 (Tensor) – 输入张量，最后两个维度也分别代表点和特征维度。形状可以是 $D_1' \times D_2' \times \cdots \times D_m' \times R \times M$，其中 $R$ 是点的数量，$M$ 是特征维度，需要与 `x1` 的特征维度匹配。

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

• compute_mode (str) – ‘use_mm_for_euclid_dist_if_necessary’ - 当 P > 25 或 R > 25 时，将使用矩阵乘法来计算欧几里得距离 (p = 2)。 ‘use_mm_for_euclid_dist’ - 始终使用矩阵乘法来计算欧几里得距离 (p = 2)。 ‘donot_use_mm_for_euclid_dist’ - 绝不使用矩阵乘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

张量

如果 x1 的形状为 $B \times P \times M$ 且 x2 的形状为 $B \times R \times M$，则输出的形状为 $B \times P \times R$。

当 $p \in (0, \infty)$ 时，此函数等同于 scipy.spatial.distance.cdist(input,’minkowski’, p=p)。当 $p = 0$ 时，它等同于 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]])