文章目录TensorFlow中的数据类型一、数值类型用TensorFlow创建张量字符串类型bool类型张量切片（Tensor slicing）现实中的数据张量张量的运算目标(损失)函数Keras对标签向量化机器学习的分类神经网络的数据预处理编码Embedding层如何利用keras的延展性几种激活函数的比较PS： TensorFlow中的数据类型一、数值类型1、标量（scalar）单个的实数，
转载
2024-06-11 21:25:59
47阅读
一个电脑小白的自我成长之路。1.常见的距离算法1.1欧几里得距离（Euclidean Distance）公式如下：标准欧氏距离的思路：现将各个维度的数据进行标准化：标准化后的值 = ( 标准化前的值 － 分量的均值 ) /分量的标准差，然后计算欧式距离欧式距离的标准化（Standardized Euclidean distance）公式：1.2马哈拉诺比斯距离（Mahalanobis Distan
转载
2023-12-06 16:00:45
105阅读
理论1 欧式距离 欧氏距离（L2范数）是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式. 欧式空间是一个非常专业的名词，对于我们编程来说，就等价理解成N维空间即可。特别要指出的是，一般的，我们可以将N维中的一个测试点与多个样本点间的计算从循环N次计算，转化为一次性计算，见下面的例子。import numpy as np
vector1 = np.mat([1,2,3])
vecto
转载
2023-11-02 09:43:13
309阅读
对于kNN算法，难点在于计算测试集中每一样本到训练集中每一样本的欧氏距离，即计算两个矩阵之间的欧氏距离。现就计算欧式距离提出三种方法。 欧式距离：https://baike.baidu.com/item/欧几里得度量/1274107?fromtitle=欧式距离&fromid=2809635&fr=aladdin1. 两层循环分别对训练集和测试集中的数据进行循环遍历，计算每两个样本
转载
2023-08-19 20:44:49
203阅读
PyTorch中的两个张量的乘法可以分为两种：两个张量对应的元素相乘（element-wise），在PyTorch中可以通过torch.mul函数（或者运算符）实现两个张量矩阵相乘（Matrix product），在PyTorch中可以通过torch.matmul函数实现本文主要介绍两个张量的矩阵相乘。语法为：torch.matmul(input, other, out = None)函数对inp
转载
2023-10-01 11:29:48
312阅读
# 欧式距离的概念及其在PyTorch中的实现
## 引言
在机器学习和数据科学中，距离度量是评估数据相似性的重要方法之一。欧式距离是一种常用的度量方式，用于计算两个点之间的直线距离。无论是在聚类分析、推荐系统还是深度学习中，欧式距离都有着广泛的应用。本文将介绍欧式距离的基本概念，并通过PyTorch实现其计算方式，配合使用序列图和饼状图进行更直观的理解。
## 欧式距离的定义
欧式距离用
原创
2024-09-15 03:47:14
146阅读
标签： 数学基础 闵可夫斯基距离欧氏距离Euclidean Distance曼哈顿距离Manhattan Distance切比雪夫距离Chebyshev Distance夹角余弦Cosine汉明距离Hamming Distance杰卡德相似系数Jaccard Similarity Coefficient 1. 闵可夫斯基距离严格意义上讲，闵可夫斯基距离不是一种距离，而是一组距离的定义。两个n维变量
转载
2023-12-04 14:42:46
78阅读
在做分类时常常需要估算不同样本之间的相似性度量(SimilarityMeasurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。 本文的目的就是对常用的相似性度量作一个总结。 本文目录：1.欧氏距离2.曼哈顿距离3. 切比雪夫距离4. 闵可夫斯基距离5.标准化欧氏距离6.马氏距离7.夹角余弦8.汉
转载
2024-08-11 13:18:25
64阅读
# 使用 PyTorch 计算张量的马氏距离
## 简介
马氏距离是一种复杂的距离度量，用于比较两个样本之间的距离，考虑它们之间的协方差结构。它在多元统计分析和机器学习中十分重要。本文将指导你如何在 PyTorch 中计算马氏距离。
## 计算流程
在开始之前，我们先概述一下实现的主要步骤：
| 步骤 | 描述 |
|------|------|
| 1. 测试环境准备 | 确保已安装
在计算机科学和数据分析领域，欧式距离被广泛应用于多种场景中，例如聚类分析、机器学习模型的相似性计算等。本文将记录计算欧式距离的过程，其中包括多种分析和工具的集成。
首先，我们来看看欧式距离的背景。欧式距离是指在n维空间中的两点之间的直线距离，其计算公式为：
$$
d = \sqrt{\sum_{i=1}^{n}(x_i - y_i)^2}
$$
这个公式的直观含义是两点之间的距离可以通过求它
pytorch基本数据类型——张量（Tensor），那张量到底是什么呢？张量类似于Numpy中的ndarray，我们都知道深度学习的基础是神经网络结构，而在Pytorch中，张量是构建神经网络的基础。比较重要的一点是张量可以在GPU上进行计算。所以从本质上来说，PyTorch 是一个处理张量的库。一个张量是一个数字、向量、矩阵或任何 n 维数组。下面分别展示了1维张量，2维张量和3维张量：接下来我
转载
2023-09-03 20:47:34
88阅读
【算法设计】各种距离算法汇总 1. 欧氏距离，最常见的两点之间或多点之间的距离表示法，又称之为欧几里得度量，它定义于欧几里得空间中，如点 x = (x1,...,xn) 和 y = (y1,...,yn) 之间的距离为：(1)二维平面上两点a(x1,y1)与b(x2,y2)间的欧氏距离： (2)三维空间两点a(x1,y1,z1)与b(x2,y2,z2)间的欧氏距离： (3)两个n维向量a(
转载
2023-10-19 00:01:13
347阅读
一、张量的拼接张量的拼接主要通过cat()和stack()函数实现。其中torch.cat([a, b], dim=n)是在n维度上进行两个张量的拼接，其参数n的含义代表要进行拼接操作的维度，a和b则代表要拼接的张量。在使用cat()方法时需要注意的是两个张量除了拼接的维度可以不同，其他的维度必须相同，否则会报错。示例如下： Statistics about scores a [class1-3,
转载
2023-08-21 15:18:11
199阅读
参考： 距离与范数：https://zhuanlan.zhihu.com/p/363707147 文章目录一、各种距离概念1、曼哈顿距离2、欧式距离3、切比雪夫距离4、闵可夫斯基距离5、标准化欧式距离6、马氏距离7、余弦距离8、汉明距离9、杰卡德距离10、相关距离11、信息熵二、各种距离计算公式三、范数与距离 一、各种距离概念距离这个概念，在上小学的时候就知道了，它衡量的是两点之间的远近程度。其
转载
2024-02-20 21:41:05
187阅读
参考本章代码：https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson1/linear_regression.py1.3 张量操作与线性回归张量的操作拼接torch.cat()
torch.cat(tensors, dim=0, out=None)功能：将张量按照 dim 维度进行拼接tensors: 张量序列dim: 要拼
转载
2024-07-20 07:44:09
32阅读
距离矩阵的计算在讲距离矩阵之前，先复习一下什么是 欧式距离 :在做分类时，常常需要估算两个样本间的相似性度量（SimilarityMeasurement），这时经常就用到两个样本间的“距离”(Distance)，采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。经常使用的度量方法是欧式距离，欧氏距离是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式。(1)二维平面上两点a(x
转载
2023-11-20 23:31:30
847阅读
小结啥啊 很久之前写的 不过现在忘了 来复习一下 不过这种题 写暴力 也是很简单啊 但是分少啊qwq1 欧式距离 也就是我们常说的 欧几里得距离 也就是 $z=\sqrt{x^2+y^2}$ 然后也就是对应到平面上 求两个点的距离的时候 用横纵坐标之差 然后开根号 即可就是 现在在班里学习文化课 的同学 数学课本上的 计算公式 很好理解 不过 这种一般用于 题目给定你是 这样计算距离&n
转载
2023-07-06 17:40:48
383阅读
衡量一个向量的大小，在机器学习中，使用称为范数（norm）的函数来衡量向量大小， $L_p $范数的通用形式如下： $||X||_p = (\sum\limits_i |x_i|^p)^\frac{1}{p} , $ 其中 $p∈R, p≥1$当 $p=1$时， $L_1 $各个元
图源：Unsplash世界上最遥远的距离不是生与死的距离而是我站在你面前 你却不知道我爱你 “尴尬开场”到此结束。今天，小芯给大家带来的是数据科学家绝对不能错过的3个距离知识！ 无论你是刚开始接触数据科学还是有一定的经验，下面这三个距离都是必不可少的知识： 1. 欧式距离（Euclidean Distance）（或直线距离） 欧氏距离算法最直观：这
转载
2023-12-28 18:56:34
208阅读
import torch.nn.functional as Fdistance = F.pairwise_distance(rep_a, rep_b, p=2)其中rep_a和rep_a为[batch_size,hidden_dim]
原创
2022-07-19 16:36:11
1096阅读
