1 dist

1.1 基本使用方法

torch.dist(input, other, p=2)

計算兩個Tensor之間的p-范數

1.2 主要參數

input	輸入張量
other	另一個輸入張量
p	范數

input 和 other的形狀需要是可廣播的

1.3 舉例

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 主要參數

x1	B? × P × M大小的tensor
x2	B × R × M 大小的tensor
p	范數
compute_mode	指定計算歐幾里得距離（p=2）時的方法。有三個選項： use_mm_for_euclid_dist_if_necessary：如果 P > 25 或 R > 25，則使用矩陣乘法方法計算歐幾里得距離。 use_mm_for_euclid_dist：總是使用矩陣乘法方法計算歐幾里得距離。 donot_use_mm_for_euclid_dist：永不使用矩陣乘法方法計算歐幾里得距離。

返回的大小是B × P × R

如果p∈(0,∞)，那么這個方法和scipy.spatial.distance.cdist(input,’minkowski’, p=p)是一樣的

如果p=0，那么這個方法和scipy.spatial.distance.cdist(input,‘hamming’)是一樣的

2.4 使用矩陣乘法速度變慢？

• 如果數據集較大，或者你有訪問高性能計算資源（如GPU），則使用 "use_mm_for_euclid_dist" 可能會更快。
• 相反，如果數據集較小，或者你的計算資源有限（如只使用CPU），那么 "donot_use_mm_for_euclid_dist" 可能是更好的選擇

%%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)