由于最近的工作需要使用矩阵中每个样本之间的cxdwl距离，因此记录如何在简便快捷上计算tensor之间的cxdwl距离(使用Pytorch框架)。
在我以前的想法中，是两轮或一轮求每个样本之间的cxdwl距离，但只有看了michuanhaohao/Reid-strong-baseline中的Euclidean_dist (方法的运算后才开始探索新大陆)
一、理论分析
首先从理论上介绍，矩阵间cxdwl距离的快速计算参考了@ 矩阵的博客。 原文是
3359 blog.csdn.net/frank ZD/article/details/80251042
二、代码分析
下面的代码为每行添加必要的注释。 (来源：https://github.com/michuanhaohao/Reid-strong-baseline/blob/master/layers/triplet _ line
defeuclidean_dist(x，y ) :
''''
Args:
x: pytorch Variable，with shape [m，d]
y: pytorch Variable，with shape [n，d]
Returns:
dist: pytorch Variable，with shape [m，n]
''''
m，n=x.size(0)，y.size(0) (0) ) ) ) ) ) ) )。
# xx为pow ) )方法对各个数据进行平方操作，然后在axis=1个方向(横向，即第一列指向最后一列的方向)上进行加法运算。 此时，xx的shape经过(m，1 )、expand )方法，扩展n-1次。 此时，xx的形状为) m
xx=Torch.pow(x，2 ).sum (1，keepdim=True ).expand(m，n ) ) ) ) )。
# yy最后进行倒排操作
YY=Torch.pow(y，2 ).sum(1，keepdim=True ).expand(n，m ).t ) ) ) ) )。
dist=xx yy
# torch.addmm (beta=1，input，alpha=1，mat1，mat2，out=None )，此行意味着dist - 2 * x * yT
dist.addmm_(1，-2，x，y.t ) )
# clamp ) )函数限定dist中元素的最大最小范围，最后可以卡方dist得到样本之间的距离矩阵
dist=dist.clamp(min=1e-12 ).sqrt ) # for numerical stability
返回磁盘
三.德谟示威
接下来用简单的demo实现(也便于自己调查最后的结果是否正确) )。
导入途径
defeuclidean_dist(x，y ) :
m，n=x.size(0)，y.size(0) (0) ) ) ) ) ) ) )。
xx=Torch.pow(x，2 ).sum (1，keepdim=True ).expand(m，n ) ) ) )。
YY=Torch.pow(y，2 ).sum(1，keepdim=True ).expand(n，m ).t ) ) ) ) )。
dist=xx yy
dist.addmm_(1，-2，x，y.t ) )
dist=dist.clamp(min=1e-12 ).sqrt ) # for numerical stability
返回磁盘
if __name__=='__main__':
x=torch.tensor ([ 1.0，2.0，3.0，4.0 ]，[ 2.0，5.0，7.0，9.0 ] ) )
y=torch.tensor ([ 3.0，1.0，2.0，5.0 ]，[ 2.0，3.0，4.0，6.0 ] ) )
dist_matrix=euclidean_dist(x，y )
打印(dist _ matrix )是
最终的输出结果如下
tensor ([ 2.6458，2.6458 ]，[ 7.6158，4.6904 ] ) )
虽然理论看起来有点麻烦，但jxdl想想，还是很简单的。 本文进行了使用pytorch下的tensor变量的演示，但矩阵的原理也是一样的。 掌握了这种方法后，以后就可以有效地计算矩阵之间的cxdwl距离，而不用循环计算。