比较与torch.cdist的差异
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_mode
为 use_mm_for_euclid_dist_if_necessary
,且当 x1
或 x2
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_mode
为 use_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_mode
为 donot_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 GPU
和 CPU
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]]