PyTorch中cdist和sum函数使用示例详解

目录

• 基本语法
• 输出
• 示例
• 1. 简单的 2D 欧几里得距离
• 2. 批量形式（3D Tensor）
• 3. 使用不同范数
• 应用场景举例
• 基本用法
• 示例讲解
• 示例 1：对所有元素求和
• 示例 2：指定维度求和
• 示例 3：保留维度

torch.cdist 是 PyTorch 中用于计算**两个张量之间的成对距离（pairwise distance）**的函数，常用于点云处理、图神经网络、相似性度量等场景。

torch.cdist(x1, x2, p=2.0)

参数说明：

参数	说明
x1	一个形状为 [B, M, D] 或 [M, D] 的张量，表示一组点。
x2	一个形状为 [B, N, D] 或 [N, D] 的张量，表示另一组点。
p	距离范数，默认 p=2.0 表示欧几里得距离（L2 范数），也可以设为 1.0（曼哈顿距离），或其他值。

输出是一个张量，形状为：

• 如果 x1.shape = [M, D] 和 x2.shape = [N, D]，则输出形状为 [M, N]；
• 每个 (i, j) 位置表示 x1[i] 和 x2[j] 之间的距离。

import torch
x1 = torch.tensor([[0.0, 0.0], [1.0, 0.0]])  # 2个点
x2 = torch.tensor([[0.0, 1.0], [1.0, 1.0]])  # 2个点
dist = torch.cdist(x1, x2, p=2)
print(dist)

输出为：

tensor([[1.0000, 1.4142],
        [1.4142, 1.0000]])

即：

• x1[0] 与 x2[0] 的距离为 1；
• x1[0] 与 x2[1] 的距离为 sqrt(2)，等等。

x1 = torch.rand(2, 5, 3)  # batch=2, 每组5个3D点
x2 = torch.rand(2, 4, 3)  # batch=2, 每组4个3D点
out = torch.cdist(x1, x2)  # 输出形状为 [2, 5, 4]

torch.cdist(x1, x2, p=1)   # 曼哈顿距离
torch.cdist(x1, x2, p=2)   # 欧几里得距离（默认）
torch.cdist(x1, x2, p=inf) # 最大维度差

注意事项

• x1 和 x2 的最后一维（特征维度）必须相同。
• p=2 时效率最高，其他范数可能会慢一些。
• 如果两个张量都很大，这个操作可能非常耗显存。

• 点云之间距离计算（如 ISS、FPFH、ICP）
• 匹配点对的距离图构建
• KNN 查询
• 图构造（邻接矩阵、相容性矩阵）

torch.sum 是 PyTorch 中用于对张量元素进行求和的函数，功能类似于 NumPy 中的 np.sum，但可以更灵活地选择维度进行操作。

torch.sum(input, dim=None, keepdim=False)

参数说明：

• input：要进行求和的张量；
• dim（可选）：指定在哪个维度上进行求和；
• keepdim（可选）：布尔值，是否保留被求和的维度（默认不保留）。

x = torch.tensor([[1, 2], [3, 4]])
torch.sum(x)
# 输出：tensor(10)

x = torch.tensor([[1, 2], [3, 4]])
torch.sum(x, dim=0)  # 按列求和：1+3, 2+4
# 输出：tensor([4, 6])
torch.sum(x, dim=1)  # 按行求和：1+2, 3+4
# 输出：tensor([3, 7])

x = torch.tensor([[1, 2], [3, 4]])
torch.sum(x, dim=1, keepdim=True)
# 输出：tensor([[3], [7]])

到此这篇关于PyTorch中cdist和sum函数使用示例详解的文章就介绍到这了,更多相关PyTorch cdist和sum函数使用内容请搜索风君子博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持风君子博客！

您可能感兴趣的文章:

• PyTorch使用tensorboard的SummaryWriter报错问题解决方案
• Pytorch如何打印与Keras的model.summary()类似的输出(最新推荐)
• pytorch SummaryWriter保存日志的方法
• Pytorch中TensorBoard及torchsummary的使用详解