mindspore.mint.cdist

mindspore.mint.cdist(x1, x2, p=2.0, compute_mode='use_mm_for_euclid_dist_if_necessary')

计算两个Tensor每对行向量之间的p-norm距离。

警告

这是一个实验性API，后续可能修改或删除。

说明

Ascend上支持的输入数据类型为[float16, float32]，CPU上支持的输入数据类型为[float16, float32]，GPU上支持的输入数据类型为[float32, float64]。

参数：

• x1 (Tensor) - 输入Tensor，shape为 \((B, P, M)\) ， \(B\) 表示0或者正整数。 \(B\) 维度为0时该维度被忽略，shape为 \((P, M)\) 。

• x2 (Tensor) - 输入Tensor，shape为 \((B, R, M)\) ，与 x1 的数据类型一致。

• p (float，可选) - 计算向量对p-norm距离的P值，P >= 0。默认值： 2.0 。

• compute_mode (string，可选) - 指定计算模式。目前设置此参数无效果。默认值： 'use_mm_for_euclid_dist_if_necessary' 。

返回：

Tensor，p-范数距离，数据类型与 x1 一致，shape为 \((B, P, R)\)。

异常：

• TypeError - x1 或 x2 不是Tensor。

• TypeError - x1 或 x2 的数据类型不符合上述“说明”中的要求。

• TypeError - p 不是float32。

• ValueError - p 是负数。

• ValueError - x1 与 x2 维度不同。

• ValueError - x1 与 x2 的维度既不是2，也不是3。

• ValueError - x1 和 x2 的批次维无法广播。

• ValueError - x1 和 x2 的列数不一样。

支持平台：

Ascend

样例：

>>> import numpy as np
>>> from mindspore import Tensor, mint
>>> x = Tensor(np.array([[[1.0, 1.0], [2.0, 2.0]]]).astype(np.float32))
>>> y = Tensor(np.array([[[3.0, 3.0], [3.0, 3.0]]]).astype(np.float32))
>>> output = mint.cdist(x, y, 2.0)
>>> print(output)
[[[2.8284273 2.8284273]
  [1.4142137 1.4142137]]]