本文简要介绍python语言中 torch.cdist
的用法。
用法:
torch.cdist(x1, x2, p=2.0, compute_mode='use_mm_for_euclid_dist_if_necessary')
x1(Tensor) -形状为 的输入张量。
x2(Tensor) -形状为 的输入张量。
p-要计算每个向量对之间的 p-norm 距离的 p 值 。
compute_mode-‘use_mm_for_euclid_dist_if_necessary’ - 如果 P > 25 或 R > 25,将使用矩阵乘法方法计算欧几里德距离 (p = 2) ‘use_mm_for_euclid_dist’ - 将始终使用矩阵乘法方法计算欧几里德距离 (p = 2) ‘donot_use_mm_for_euclid_dist’ - 将切勿使用矩阵乘法方法计算欧几里得距离 (p = 2) 默认值:use_mm_for_euclid_dist_if_necessary。
计算两个行向量集合的每对之间的 p-norm 距离。
如果 x1 的形状为 而 x2 的形状为 ,则输出的形状为 。
此函数等效于
scipy.spatial.distance.cdist(input,’minkowski’, p=p)
if 。当 等效于scipy.spatial.distance.cdist(input, ‘hamming’) * M
。当 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]])
参数:
相关用法
- Python PyTorch cholesky用法及代码示例
- Python PyTorch column_stack用法及代码示例
- Python PyTorch cumprod用法及代码示例
- Python PyTorch calculate_gain用法及代码示例
- Python PyTorch cov用法及代码示例
- Python PyTorch cos用法及代码示例
- Python PyTorch compute_deltas用法及代码示例
- Python PyTorch conv_transpose3d用法及代码示例
- Python PyTorch combinations用法及代码示例
- Python PyTorch conv2d用法及代码示例
- Python PyTorch cummax用法及代码示例
- Python PyTorch custom_from_mask用法及代码示例
- Python PyTorch collect_all用法及代码示例
- Python PyTorch chunk用法及代码示例
- Python PyTorch convert用法及代码示例
- Python PyTorch conv1d用法及代码示例
- Python PyTorch chain_matmul用法及代码示例
- Python PyTorch cat用法及代码示例
- Python PyTorch constant_用法及代码示例
- Python PyTorch context用法及代码示例
- Python PyTorch count_nonzero用法及代码示例
- Python PyTorch ceil用法及代码示例
- Python PyTorch cosh用法及代码示例
- Python PyTorch criteo_terabyte用法及代码示例
- Python PyTorch checkpoint_sequential用法及代码示例
注:本文由纯净天空筛选整理自pytorch.org大神的英文原创作品 torch.cdist。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。