当前位置：首页 > news >正文

淘宝接网站开发的活软文广告属于什么营销

news 2025/10/16 1:50:09

淘宝接网站开发的活,软文广告属于什么营销,山东省住房和城市建设厅网站,学校网站建设的应用意义案例目录 Pytorch中Distance functions详解 pairwise_distance 用途用法参数数学理论公式示例代码 cosine_similarity 用途用法参数数学理论示例代码输出结果 pdist 用途用法参数数学理论示例代码总结 Pytorch中Distance functions详解 pair…

Pytorch中Distance functions详解

pairwise_distance

用途

用法

参数

数学理论公式

示例代码

cosine_similarity

用途

用法

参数

数学理论

示例代码

输出结果

pdist

用途

用法

参数

数学理论

示例代码

总结

Pytorch中Distance functions详解

pairwise_distance

torch.nn.functional.pairwise_distance 是 PyTorch 中的一个函数，用于计算两组向量之间的成对距离。这个函数广泛应用于机器学习和深度学习中，尤其是在处理距离相关的任务，如聚类、相似度计算等。

用途

计算两组向量间的成对距离，常用于度量向量间的相似性或差异性。
用于机器学习中的距离度量，如k-最近邻 (k-NN)、聚类等。

用法

torch.nn.functional.pairwise_distance(x1, x2, p=2.0, eps=1e-6, keepdim=False)

x1, x2: 输入的两组向量，必须有相同的维度。
p: 距离计算的幂指数，默认为2，即欧几里得距离。
eps: 一个小的数值，用于保证数值稳定性。
keepdim: 是否保持输出的维度。

参数

x1: 第一组向量的张量。
x2: 第二组向量的张量。
p: 距离度量的幂指数，默认为2（欧几里得距离）。
eps: 避免除零错误的小数，默认为1e-6。
keepdim: 在输出中保持原始输入的维度结构。

数学理论公式

对于向量 $x1_{i}$ 和 $x2_{i}$ ，pairwise_distance 计算的是 p 范数下的距离：

$d(x1_{i},x2_{i})=(\sum_{j}|x1_{ij}-x2_{ij}|^{p}+eps)^{\frac{1}{p}}$

其中， $x1_{ij}$ 和 $x2_{ij}$ 分别是 $x1_{i}$ $x1_{i}$ 和 $x2_{i}$ ，的第j个元素。

示例代码

import torch
import torch.nn.functional as F# 定义两个向量组
x1 = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32)
x2 = torch.tensor([[1, 3, 5], [2, 4, 6]], dtype=torch.float32)# 计算成对距离
dist = F.pairwise_distance(x1, x2, p=2)# 输出结果  tensor([2.2361, 2.4495]) 这里，输出的是每一对向量之间的欧几里得距离。print(dist)

cosine_similarity

torch.nn.functional.cosine_similarity 是 PyTorch 中的一个函数，用于计算两个张量之间的余弦相似度。这个函数在机器学习和深度学习领域中非常有用，尤其是在处理文本、图像或任何类型的特征向量时，用于度量它们之间的相似性。

用途

计算两个向量或向量组之间的余弦相似度。
广泛应用于自然语言处理、计算机视觉、推荐系统等领域。

用法

torch.nn.functional.cosine_similarity(x1, x2, dim=1, eps=1e-8)

x1, x2: 输入的两个张量，必须能够广播到相同的形状。
dim: 计算相似度的维度。
eps: 避免除零错误的小数值。

参数

x1 (Tensor): 第一个输入张量。
x2 (Tensor): 第二个输入张量。
dim (int, 可选): 计算相似度的维度，默认为1。
eps (float, 可选): 用于避免除零的小数值，默认为1e-8。

数学理论

余弦相似度的计算公式为：

$similarity = \frac{x1}{max(||x1||_{2},\varepsilon )\times max(||x2||_{2},\varepsilon )}$

x1⋅x2 表示两个张量的点积。
$||x1||_{2}$ 和 $||x2||_{2}$ 分别是 x1 和 x2 的2范数。
ε 是一个小的数值，用来保证除数不为零。

示例代码

import torch
import torch.nn.functional as F# 随机生成两个张量
input1 = torch.randn(100, 128)
input2 = torch.randn(100, 128)# 计算余弦相似度
output = F.cosine_similarity(input1, input2)# 打印结果
print(output)

输出结果

此代码将计算 input1 和 input2 每行之间的余弦相似度，并输出一个长度为100的张量，每个元素对应于两个输入张量相应行的余弦相似度值。由于输入是随机生成的，输出也会随机变化。

pdist

torch.nn.functional.pdist 是 PyTorch 中的一个函数，它用于计算输入张量中每对行向量之间的 p 范数距离。此函数在统计分析、机器学习和数据科学中非常有用，尤其是在涉及距离度量和空间关系的场景中。

用途

计算给定张量中每对行向量之间的距离。
应用于聚类分析、多维缩放和其他需要距离度量的算法。

用法

torch.nn.functional.pdist(input, p=2)

input: 输入张量，其形状为 N×M，其中 N 是行数，M 是列数（特征数）。
p: 用于计算的 p 范数，默认为 2，即欧几里得距离。

参数

input (Tensor): 形状为 N×M 的输入张量。
p (float): p 范数的值，用于计算向量对之间的距离。可取值为 0 到 ∞ 之间的任何实数。

数学理论

对于输入张量的每一对行向量 $x_{i}$ 和 $x_{j}$ ，pdist 计算它们之间的 p 范数距离： $d(x_{i},x_{j})=(\sum_{k}|x_{ik}-x_{jk}|^{p})^{\frac{1}{p}}$ 其中， $x_{ik}$ 和 $x_{jk}$ 分别是 $x_{i}$ 和 $x_{j}$ 的第 k 个元素。

示例代码

import torch
import torch.nn.functional as F# 定义输入张量
input_tensor = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]], dtype=torch.float32)# 计算 p 范数距离
distances = F.pdist(input_tensor, p=2)# 输出结果 tensor([5.1962, 10.3923, 5.1962]) 这里，输出的是输入张量中每一对行向量之间的欧几里得距离。print(distances)

总结

本文解析了 PyTorch 中三个关键的距离函数：pairwise_distance、cosine_similarity 和 pdist。这些函数在深度学习和机器学习中非常重要，用于计算向量之间的距离和相似度，从而支持各种算法如聚类、k-最近邻、特征相似度度量等。每个函数都有其特定的应用场景和数学原理。pairwise_distance 计算两组向量间的成对欧几里得距离，cosine_similarity 计算两个张量间的余弦相似度，而 pdist 则计算一个张量内各行向量间的 p 范数距离。通过这些函数，我们能有效地分析和处理数据，特别是在高维空间中。

查看全文

http://www.sczhlp.com/news/29010/