哪些网站国内打不开seo营销服务
1 dist
1.1 基本使用方法
torch.dist(input, other, p=2)计算两个Tensor之间的p-范数
1.2 主要参数
| input | 输入张量 |
| other | 另一个输入张量 |
| p | 范数 |
input 和 other的形状需要是可广播的
1.3 举例
import torchx=torch.randn(4)
x
#tensor([ 1.2698, -0.1209, 0.0462, -1.3271])y=torch.randn(4)
y
#tensor([ 0.6590, -0.8689, -1.0083, 0.5733])torch.dist(x,y)
#tensor(2.3783)z=torch.randn((2,4))
z
'''
tensor([[-0.9118, 1.8019, -0.0162, -0.1969],[ 0.2998, -0.1147, 1.1427, -0.9425]])
'''torch.dist(x,z)
#tensor(3.4683)2 cdist
2.1 基本使用方法
torch.cdist(x1, x2, p=2.0, compute_mode='use_mm_for_euclid_dist_if_necessary')
2.2 主要参数
| x1 | B × P × M大小的tensor |
| x2 | B × R × M 大小的tensor |
| p | 范数 |
compute_mode | 指定计算欧几里得距离（p=2）时的方法。有三个选项：
|
返回的大小是B × P × R
如果p∈(0,∞)，那么这个方法和scipy.spatial.distance.cdist(input,’minkowski’, p=p)是一样的
如果p=0，那么这个方法和scipy.spatial.distance.cdist(input,‘hamming’)是一样的
2.4 使用矩阵乘法速度变慢？
- 如果数据集较大，或者你有访问高性能计算资源（如GPU），则使用 "use_mm_for_euclid_dist" 可能会更快。
- 相反，如果数据集较小，或者你的计算资源有限（如只使用CPU），那么 "donot_use_mm_for_euclid_dist" 可能是更好的选择
%%timeit
points1 = torch.rand((5120, 2))
points2 = torch.rand((5120, 2))
torch.cdist(points1, points2, p=2.0, compute_mode="donot_use_mm_for_euclid_dist")
#24 ms ± 4.54 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)%%timeit
points1 = torch.rand((5120, 2))
points2 = torch.rand((5120, 2))
torch.cdist(points1, points2, p=2.0)
#36.7 ms ± 2.68 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)