torch.cdist

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

Вычисляет пакетное расстояние в p-норме между каждой парой векторов-строк из двух наборов.

Параметры:

• x1 (Tensor) – входной тензор, в котором последние два измерения соответствуют точкам и размерности признаков. Форма может быть $D_1 \times D_2 \times \cdots \times D_n \times P \times M$, где $P$ — количество точек, а $M$ — размерность признаков.
• x2 (Tensor) – входной тензор, в котором последние два измерения также соответствуют точкам и размерности признаков. Форма может быть $D_1' \times D_2' \times \cdots \times D_m' \times R \times M$, где $R$ — количество точек, а $M$ — размерность признаков, которая должна совпадать с размерностью признаков x1.
• p (float) – значение p для вычисления расстояния в p-норме между каждой парой векторов $\in [0, \infty]$.
• compute_mode (str) – ‘use_mm_for_euclid_dist_if_necessary’ — для вычисления евклидова расстояния (p = 2) будет использоваться умножение матриц, если P > 25 или R > 25 ‘use_mm_for_euclid_dist’ — для вычисления евклидова расстояния (p = 2) всегда будет использоваться умножение матриц ‘donot_use_mm_for_euclid_dist’ — для вычисления евклидова расстояния (p = 2) умножение матриц использоваться не будет. По умолчанию: use_mm_for_euclid_dist_if_necessary.

Тип возвращаемого значения:

Tensor

Если x1 имеет форму $B \times P \times M$, а x2 имеет форму $B \times R \times M$, то выходной тензор будет иметь форму $B \times P \times R$.

Эта функция эквивалентна scipy.spatial.distance.cdist(input,’minkowski’, p=p), если $p \in (0, \infty)$. При $p = 0$ она эквивалентна scipy.spatial.distance.cdist(input, ‘hamming’) * M. При $p = \infty$ 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]])