矩阵之间欧式距离的快捷计算方法 |
您所在的位置:网站首页 › 欧式距离算法简单解释 › 矩阵之间欧式距离的快捷计算方法 |
矩阵之间欧式距离的快捷计算方法最近工作中需要用到矩阵中各个样本之间欧氏距离,因此记录一下,如何简便快捷地进行tensor间欧氏距离的计算(使用Pytorch框架)。按照我之前的想法,会进行两轮或者一轮循环一个个地求出样本间的欧氏距离,但是看过了michuanhaohao/reid-strong-baseline中Euclidean_dist()方法的运算之后才发现了新大陆---------通过矩阵的方式快速的进行计算。一、理论分析首先从理论上介绍一下,矩阵之间欧氏距离的快速计算,参考了@frankzd...
最近工作中需要用到矩阵中各个样本之间欧氏距离,因此记录一下,如何简便快捷地进行tensor间欧氏距离的计算(使用Pytorch框架)。 按照我之前的想法,会进行两轮或者一轮循环一个个地求出样本间的欧氏距离,但是看过了michuanhaohao/reid-strong-baseline 中Euclidean_dist()方法的运算之后才发现了新大陆---------通过矩阵的方式快速的进行计算。
一、理论分析 首先从理论上介绍 一下,矩阵之间欧氏距离的快速计算,参考了@frankzd 的博客,原文链接在 https://blog.csdn.net/frankzd/article/details/80251042
二、代码分析 接下来上代码,我会在每一行进行必要的注释(来源:https://github.com/michuanhaohao/reid-strong-baseline/blob/master/layers/triplet_loss.py) 只听到从架构师办公室传来架构君的声音: 半窗幽梦微茫,歌罢钱塘,赋罢高唐。有谁来对上联或下联?def euclidean_dist(x, y): """ Args: x: pytorch Variable, with shape [m, d] y: pytorch Variable, with shape [n, d] Returns: dist: pytorch Variable, with shape [m, n] """ m, n = x.size(0), y.size(0) # xx经过pow()方法对每单个数据进行二次方操作后,在axis=1 方向(横向,就是第一列向最后一列的方向)加和,此时xx的shape为(m, 1),经过expand()方法,扩展n-1次,此时xx的shape为(m, n) xx = torch.pow(x, 2).sum(1, keepdim=True).expand(m, n) # yy会在最后进行转置的操作 yy = torch.pow(y, 2).sum(1, keepdim=True).expand(n, m).t() dist = xx + yy # torch.addmm(beta=1, input, alpha=1, mat1, mat2, out=None),这行表示的意思是dist - 2 * x * yT dist.addmm_(1, -2, x, y.t()) # clamp()函数可以限定dist内元素的最大最小范围,dist最后开方,得到样本之间的距离矩阵 dist = dist.clamp(min=1e-12).sqrt() # for numerical stability return dist
三、demo演示 接下来用一个简单的demo实现(也便于自己查验最后结果是否正确) 此代码由Java架构师必看网-架构君整理import torch def euclidean_dist(x, y): m, n = x.size(0), y.size(0) xx = torch.pow(x, 2).sum(1, keepdim=True).expand(m, n) yy = torch.pow(y, 2).sum(1, keepdim=True).expand(n, m).t() dist = xx + yy dist.addmm_(1, -2, x, y.t()) dist = dist.clamp(min=1e-12).sqrt() # for numerical stability return dist if __name__ == '__main__': x = torch.tensor([[1.0, 2.0, 3.0, 4.0], [2.0, 5.0, 7.0, 9.0]]) y = torch.tensor([[3.0, 1.0, 2.0, 5.0], [2.0, 3.0, 4.0, 6.0]]) dist_matrix = euclidean_dist(x, y) print(dist_matrix) 最后输出的结果为: tensor([[2.6458, 2.6458],[7.6158, 4.6904]])
理论看起来稍微有些麻烦,不过静下心来琢磨一下,还是很简单的。本文使用的是pytorch下的tensor变量进行的演示,对于矩阵,原理也是相同的。学会这个方法,以后就可以很高效地,而不必通过循环的方式计算矩阵间的欧氏距离了。 今天文章到此就结束了,感谢您的阅读,Java架构师必看祝您升职加薪,年年好运。 |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |