cdist¶

paddle. cdist ( x, y, p=2.0, compute_mode='use_mm_for_euclid_dist_if_necessary', name=None ) [源代码] ¶

计算两组输入集合中每对之间的 p 范数距离。

当 $p \in (0, \infty)$ 时，该函数等同于 scipy.spatial.distance.cdist(input,'minkowski', p=p) ；当 $p = 0$ 时，等同于 scipy.spatial.distance.cdist(input, 'hamming') * M ；当 $p = \infty$ 时，最接近的是 scipy.spatial.distance.cdist(xn, lambda x, y: np.abs(x - y).max()) 。

参数¶

x (Tensor) - 形状为 $B \times P \times M$ 的 Tensor。

y (Tensor) - 形状为 $B \times R \times M$ 的 Tensor。

p (float, 可选) - 计算每个向量对之间的 p 范数距离的值。默认值为 $2.0$ 。

compute_mode (str, 可选) - 选择计算模式。

use_mm_for_euclid_dist_if_necessary: 对于 p = 2.0 且 P > 25, R > 25 ，如果可能，将使用矩阵乘法计算欧氏距离。

use_mm_for_euclid_dist: 对于 p = 2.0 ，使用矩阵乘法计算欧几里得距离。

use_loop_for_euclid_dist: 不使用矩阵乘法计算欧几里得距离。

默认值为 use_mm_for_euclid_dist_if_necessary。

name (str, 可选) - 具体用法请参见 Name ，一般无需设置，默认值为 None。

返回¶

Tensor，dtype 与输入张量相同。如果 x 的形状为 $B \times P \times M$ ，y 的形状为 $B \times R \times M$ ，则输出的形状为 $B \times P \times R$ 。

代码示例¶

>>> import paddle
>>> x = paddle.to_tensor([[0.9041,  0.0196], [-0.3108, -2.4423], [-0.4821,  1.059]], dtype=paddle.float32)
>>> y = paddle.to_tensor([[-2.1763, -0.4713], [-0.6986,  1.3702]], dtype=paddle.float32)
>>> distance = paddle.cdist(x, y)
>>> print(distance)
Tensor(shape=[3, 2], dtype=float32, place=Place(cpu), stop_gradient=True,
[[3.11927032, 2.09589314],
 [2.71384072, 3.83217239],
 [2.28300953, 0.37910119]])