网站添加漂浮二维码怎么做,做一百度网站吗,网站设置不拦截,深圳罗湖区网站建设文章目录 一、计算两组点之间的欧式距离二、举例三、中间结果输出 一、计算两组点之间的欧式距离
def square_distance(src, dst):Calculate Euclid distance between each two points.src^T * dst xn * xm yn * ym zn * zm#xff1b;sum(src^2, dim-1… 文章目录 一、计算两组点之间的欧式距离二、举例三、中间结果输出 一、计算两组点之间的欧式距离
def square_distance(src, dst):Calculate Euclid distance between each two points.src^T * dst xn * xm yn * ym zn * zmsum(src^2, dim-1) xn*xn yn*yn zn*zn;sum(dst^2, dim-1) xm*xm ym*ym zm*zm;dist (xn - xm)^2 (yn - ym)^2 (zn - zm)^2 sum(src**2,dim-1)sum(dst**2,dim-1)-2*src^T*dstInput:src: source points, [B, N, C]dst: target points, [B, M, C]Output:dist: per-point square distance, [B, N, M]B, N, _ src.shape_, M, _ dst.shapedist -2 * torch.matmul(src, dst.permute(0, 2, 1))dist torch.sum(src ** 2, -1).view(B, N, 1)dist torch.sum(dst ** 2, -1).view(B, 1, M)return dist解释 B, N, _ src.shape获取输入源点和目标点的形状信息其中 B 表示批量大小N 表示源点的数量 _, M, _ dst.shapeM 表示目标点的数量C 表示每个点的维度 dist -2 * torch.matmul(src, dst.permute(0, 2, 1))这一步计算了两组点之间的叉乘积 dst.permute(0, 2, 1)将目标点张量 dst 的第二维和第三维进行交换以便进行点积 同理src为N x Cdst为M x C需要将M x C转置成C x M才可以进行点积N x C·C x Mtorch.matmul 计算源点和目标点之间的点积结果 dist 是一个形状为 [B, N, M] 的张量表示每对源点和目标点之间的点积 dist torch.sum(src ** 2, -1).view(B, N, 1)计算了源点和目标点的平方和并将其广播到与 dist 相同的形状 torch.sum(src ** 2, -1)计算张量 src 中每个点的平方和src ^2 将 src 中的每个元素都平方然后 torch.sum 函数对最后一个维度即 -1 所代表的维度进行求和最后一个维度被求和消除。假设 src 张量的形状是 [B, N, D]其中 B 表示批量大小N 表示点的数量D 表示每个点的维度。那么 torch.sum(src ** 2, -1) 的结果形状将是 [B, N]其中每个元素表示了原张量中相应位置点的平方和view(B, N, 1)对张量调整到[B, N, 1]以便与后续的计算相兼容 dist torch.sum(dst ** 2, -1).view(B, 1, M)将这些平方和加到 dist 上以完成欧氏距离的计算 dist张量函数返回每对源点和目标点之间的欧氏距离的平方形状为 [B, N, M] 计算欧式距离的平方等价于下方等式 ( x 1 − x 2 ) 2 ( y 1 − y 2 ) 2 ( z 1 − z 2 ) 2 (x_{1}-x_{2})^{2}(y_{1}-y_{2})^{2}(z_{1}-z_{2})^{2} (x1−x2)2(y1−y2)2(z1−z2)2 x 1 2 y 1 2 z 1 2 x 2 2 y 2 2 z 2 2 − 2 x 1 x 2 − 2 y 1 y 2 − 2 z 1 z 2 x_{1}^{2}y_{1}^{2}z_{1}^{2}x_{2}^{2}y_{2}^{2}z_{2}^{2}-2x_{1}x_{2}-2y_{1}y_{2}-2z_{1}z_{2} x12y12z12x22y22z22−2x1x2−2y1y2−2z1z2
二、举例
假设有两组点分别是 src 和 dst
import torchdef square_distance(src, dst):B, N, _ src.shape_, M, _ dst.shapedist -2 * torch.matmul(src, dst.permute(0, 2, 1))dist torch.sum(src ** 2, -1).view(B, N, 1)dist torch.sum(dst ** 2, -1).view(B, 1, M)return dist# 定义源点和目标点
src torch.tensor([[[1, 2, 3], [4, 5, 6]]]) # shape: [1, 2, 3]
dst torch.tensor([[[7, 8, 9], [10, 11, 12], [13, 14, 15]]]) # shape: [1, 3, 3]dist square_distance(src, dst)
print(dist)结果 例如 ( 7 − 1 ) 2 ( 8 − 2 ) 2 ( 9 − 3 ) 2 108 (7-1)^{2}(8-2)^{2}(9-3)^{2}108 (7−1)2(8−2)2(9−3)2108
三、中间结果输出 对于dist -2 * torch.matmul(src, dst.permute(0, 2, 1)) 对于torch.sum(src ** 2, -1) tensor([[14, 77]])这是一个形状为 (1, 2) 的张量表示一个批次中有两个源点每个源点有两个坐标分量。具体地它包含了以下信息第一个源点的坐标是 (14, 77)。 对于torch.sum(src ** 2, -1).view(B, N, 1) tensor([[[14], [77]]])这是一个形状为 (1, 2, 1) 的张量表示一个批次中有两个目标点每个目标点有一个坐标分量。具体地它包含了以下信息 第一个目标点的坐标是 (14) 第二个目标点的坐标是 (77) 对于dist torch.sum(src ** 2, -1).view(B, N, 1) 对于torch.sum(dst ** 2, -1) 对于torch.sum(src ** 2, -1).view(B, N, 1) 对于dist torch.sum(src ** 2, -1).view(B, N, 1)
