如何在pytorch中有效地计算两组不同大小的3D张量的距离矩阵？
How to efficiently calculate distance matrix in pytorch for two sets 3D tensors with different sizes?
我有形状为 BxCxHxW 的张量 X 和形状为 NxCxHxW 的张量 Y。 B 是批量大小，C 是通道，H 是高度，W 是宽度，N 对任何批次都是常数。基本上我想要一组 B 图像和另一组 N 图像之间距离的 BxN 距离矩阵。
我尝试使用 torch.cdist 将 X 重塑为 1xBx(C*H*W) 并将 Y 重塑为 1xNx(C*H*W) 通过取消压缩维度并展平最后 3 个通道，但我做到了使用此方法进行健全性检查并得到错误答案。
我要L2距离
根据 torch.cdist 的文档页面，两个输入和输出的形状如下：x1：(B, P, M)，x2：(B, R, M)，以及 output：(B, P, R)。
为了匹配您的情况：B=1、P=B、R=N，而 M=C*H*W（即 变平）。正如你刚才所解释的。
所以你基本上是为了：
>>> torch.cdist(X[None].flatten(2), Y[None].flatten(2))
如果你不服气，你可以用下面的方法查看：
>>> dist = []
>>> for x in X:
... for y in Y:
... dist.append((x-y).norm())
并将 torch.cdist 结果与 torch.tensor(dist).reshape(len(X), len(Y)) 进行比较。
我有形状为 BxCxHxW 的张量 X 和形状为 NxCxHxW 的张量 Y。 B 是批量大小，C 是通道，H 是高度，W 是宽度，N 对任何批次都是常数。基本上我想要一组 B 图像和另一组 N 图像之间距离的 BxN 距离矩阵。
我尝试使用 torch.cdist 将 X 重塑为 1xBx(C*H*W) 并将 Y 重塑为 1xNx(C*H*W) 通过取消压缩维度并展平最后 3 个通道，但我做到了使用此方法进行健全性检查并得到错误答案。
我要L2距离
根据 torch.cdist 的文档页面，两个输入和输出的形状如下：x1：(B, P, M)，x2：(B, R, M)，以及 output：(B, P, R)。
为了匹配您的情况：B=1、P=B、R=N，而 M=C*H*W（即 变平）。正如你刚才所解释的。
所以你基本上是为了：
>>> torch.cdist(X[None].flatten(2), Y[None].flatten(2))
如果你不服气，你可以用下面的方法查看：
>>> dist = []
>>> for x in X:
... for y in Y:
... dist.append((x-y).norm())
并将 torch.cdist 结果与 torch.tensor(dist).reshape(len(X), len(Y)) 进行比较。