torch.cdist

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

計算兩個行向量集合之間每對向量的 p-範數距離（批處理）。

引數

• x1 (Tensor) – 輸入張量，最後兩個維度分別代表點和特徵維度。形狀可以是 $D_1 \times D_2 \times \cdots \times D_n \times P \times M$, 其中 $P$ 是點的數量，$M$ 是特徵維度。

• x2 (Tensor) – 輸入張量，最後兩個維度也分別代表點和特徵維度。形狀可以是 $D_1' \times D_2' \times \cdots \times D_m' \times R \times M$, 其中 $R$ 是點的數量，$M$ 是特徵維度，該維度應與 x1 的特徵維度匹配。

• p (float) – 用於計算每個向量對之間 p-範數距離的值 $\in [0, \infty]$。

• compute_mode (str) – ‘use_mm_for_euclid_dist_if_necessary’ - 當 P > 25 或 R > 25 時，將使用矩陣乘法方法計算歐幾里得距離 (p = 2) ‘use_mm_for_euclid_dist’ - 始終使用矩陣乘法方法計算歐幾里得距離 (p = 2) ‘donot_use_mm_for_euclid_dist’ - 絕不使用矩陣乘法方法計算歐幾里得距離 (p = 2) 預設值：use_mm_for_euclid_dist_if_necessary。

返回型別

張量

如果 x1 的形狀為 $B \times P \times M$ 且 x2 的形狀為 $B \times R \times M$，則輸出的形狀為 $B \times P \times R$。

如果 $p \in (0, \infty)$，則此函式等同於 scipy.spatial.distance.cdist(input,’minkowski’, p=p)。當 $p = 0$ 時，等同於 scipy.spatial.distance.cdist(input, ‘hamming’) * M。當 $p = \infty$ 時，最接近的 scipy 函式是 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]])