如何计算矩阵中向量之间的欧几里得距离？

Question

如何计算矩阵中向量之间的欧几里得距离？

3

我希望计算特征向量之间的欧几里得距离，这些向量是从网络中获取的tf.Tensor。

我尝试了以下方法，但出现了错误：

'Tensor' object is not iterable

我想通过矩阵计算每行之间的距离，而不需要逐行迭代。

features, _ = mnist_net(images)
feature_matrix = np.zeros(shape=(FLAGS.batch_size,FLAGS.batch_size))
for i in range (FLAGS.batch_size):
   for j in range (FLAGS.batch_size):
      aa = tf.slice(features,[i,0],[1,50])
      bb = tf.slice(features,[j,0],[1,50])
      feature_matrix[i,j] = tf.sqrt(sum((aa-bb)**2))

- Bobo Xi

你目前尝试了什么？最好提供一些代码并解释你的尝试。 - Banghua Zhao

这里的“距离”是什么意思？有很多距离度量方法。 - Zito Relova

我已经修复了这个问题，你能帮我解决它吗？@Banghua Zhao@user7374610 - Bobo Xi

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- jdehesa · Accepted Answer

你可以通过tf.norm/tf.linalg.norm轻松实现这一点：

feature_matrix = tf.linalg.norm(features[:, tf.newaxis] - features, axis=-1)

例如：

import tensorflow as tf

with tf.Session() as sess:
    features = tf.placeholder(tf.float32, [None, None])
    feature_matrix = tf.linalg.norm(features[:, tf.newaxis] - features, axis=-1)
    print(sess.run(feature_matrix, feed_dict={features: [[ 1,  2,  3],
                                                         [ 4,  5,  6],
                                                         [ 7,  8,  9],
                                                         [10, 11, 12]]}))

输出：

[[ 0.        5.196152 10.392304 15.588457]
 [ 5.196152  0.        5.196152 10.392304]
 [10.392304  5.196152  0.        5.196152]
 [15.588457 10.392304  5.196152  0.      ]]

编辑:

如果您无法使用 tf.norm，以下是一个等效的实现：

sqdiff = tf.squared_difference(features[:, tf.newaxis], features)
feature_matrix = tf.sqrt(tf.reduce_sum(sqdiff, axis=-1))