torch.cdist

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

Вычисляет пакетную p-норму расстояния между каждой парой двух наборов векторов-строк.

Параметры:

• x1 (Тензор) – входной тензор формы $B \times P \times M$.
• x2 (Тензор) – входной тензор формы $B \times R \times M$.
• p (float) – значение p для p-нормы расстояния для расчёта между каждой парой векторов $\in [0, \infty]$.
• compute_mode (str) – ‘use_mm_for_euclid_dist_if_necessary’ - будет использовать подход матричного умножения для вычисления евклидового расстояния (p = 2), если P > 25 или R > 25 ‘use_mm_for_euclid_dist’ - всегда будет использовать подход матричного умножения для вычисления евклидового расстояния (p = 2) ‘donot_use_mm_for_euclid_dist’ - никогда не будет использовать подход матричного умножения для вычисления евклидового расстояния (p = 2) По умолчанию: use_mm_for_euclid_dist_if_necessary.

Возвращаемое значение:

Тензор

Если у x1 форма $B \times P \times M$ и у x2 форма $B \times R \times M$, то результат будет иметь форму $B \times P \times R$.

Эта функция эквивалентна scipy.spatial.distance.cdist(input,’minkowski’, p=p) если $p \in (0, \infty)$. Когда $p = 0$ она эквивалентна scipy.spatial.distance.cdist(input, ‘hamming’) * M. Когда $p = \infty$, наиболее близкой функцией scipy является scipy.spatial.distance.cdist(xn, lambda x, y: np.abs(x - y).max()).

Пример

>>> 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]])