这是在 PyTorch 中计算余弦相似度的正确方法吗？
Is this the right way to compute cosine similarity in PyTroch?
cos = torch.nn.CosineSimilarity(dim=-1, eps=1e-6)
c = torch.FloatTensor([1, 2, 4])
b = torch.FloatTensor([1, 2, 3])
simi = cos(b,c)
tensor(0.9915)
我在这个函数中使用了dim=-1，这是否意味着它是一个一维浮点列表？这是正确的吗？
与 python 中的大多数索引一样，-1 指的是最后一个维度（-2 将是倒数第二个，依此类推）。在初始化余弦相似度时使用 dim=-1 意味着将沿输入的最后一个维度计算余弦相似度。
例如，如果 b 和 c 是大小为 [X,Y,Z] 的 3 维张量，则结果将是大小为 [X,Y] 的二维张量.在您的情况下，由于输入张量只有一维（大小 [3]），您最终会得到大小为 [] 的结果张量，即标量。
cos = torch.nn.CosineSimilarity(dim=-1, eps=1e-6)
c = torch.FloatTensor([1, 2, 4])
b = torch.FloatTensor([1, 2, 3])
simi = cos(b,c)
tensor(0.9915)
我在这个函数中使用了dim=-1，这是否意味着它是一个一维浮点列表？这是正确的吗？
与 python 中的大多数索引一样，-1 指的是最后一个维度（-2 将是倒数第二个，依此类推）。在初始化余弦相似度时使用 dim=-1 意味着将沿输入的最后一个维度计算余弦相似度。
例如，如果 b 和 c 是大小为 [X,Y,Z] 的 3 维张量，则结果将是大小为 [X,Y] 的二维张量.在您的情况下，由于输入张量只有一维（大小 [3]），您最终会得到大小为 [] 的结果张量，即标量。