比较与torch.cdist的差异

查看源文件

torch.cdist

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

更多内容详见torch.cdist

mindspore.ops.cdist

mindspore.ops.cdist(x1, x2, p=2.0)

更多内容详见mindspore.ops.cdist

差异对比

MindSpore此API功能与PyTorch基本一致,MindSpore无法指定是否使用矩阵乘的方式计算向量对之间的欧几里得距离。

PyTorch: 当参数 compute_modeuse_mm_for_euclid_dist_if_necessary ,且当 x1x2 的一个batch中的行向量的个数超过25时,使用矩阵乘的方式计算向量对之间的欧几里得距离。当参数 compute_modeuse_mm_for_euclid_dist 时,使用矩阵乘的方式计算向量对之间的欧几里得距离。当参数 compute_modedonot_use_mm_for_euclid_dist 时,不会使用矩阵乘的方式计算向量对之间的欧几里得距离。

MindSpore:无参数 compute_mode 以指定是否使用矩阵乘的方式计算向量对之间的欧几里得距离。在 GPUCPU 上不会使用矩阵乘的方式计算向量对之间的欧几里得距离,在 Ascend 上,会使用矩阵乘的方式计算向量对之间的欧几里得距离。

分类

子类

PyTorch

MindSpore

差异

参数

参数1

x1

x1

-

参数2

x2

x2

-

参数3

p

p

-

参数4

compute_mode

-

PyTorch中指定是否用矩阵乘的方式计算欧几里得距离的参数,MindSpore中没有该参数

代码示例

# PyTorch
import torch
import numpy as np

torch.set_printoptions(precision=7)
x =  torch.tensor(np.array([[1.0, 1.0], [2.0, 2.0]]).astype(np.float32))
y =  torch.tensor(np.array([[3.0, 3.0], [3.0, 3.0]]).astype(np.float32))
output = torch.cdist(x, y, 2.0)
print(output)
# tensor([[2.8284271, 2.8284271],
#         [1.4142135, 1.4142135]])

# MindSpore
import mindspore.numpy as np
from mindspore import Tensor
from mindspore import ops

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 = ops.cdist(x, y, 2.0)
print(output)
# [[2.828427  2.828427 ]
#  [1.4142135 1.4142135]]