向量之间相似度计算的若干方式

最新推荐文章于 2024-05-16 17:28:12 发布

锋大大

最新推荐文章于 2024-05-16 17:28:12 发布

阅读量3.2k

点赞数 2

分类专栏：杂七杂八

本文链接：https://blog.csdn.net/qq_32797059/article/details/106502737

版权

杂七杂八专栏收录该内容

11 篇文章 0 订阅

订阅专栏

向量之间相似度计算的若干方式

假定存在向量 $Q$ 与向量 $K$ ，计算两者之间的相似度。

一. 传统基于距离度量的相似度计算

①欧氏距离

$f=\sum_{k=1}^n{\left ( Q_i-Ki \right )^2}$

import numpy
dist = numpy.sqrt(numpy.sum(numpy.square(Q - K)))
# or
dist = numpy.linalg.norm(Q- K)

②余弦距离

$f=\frac{Q^T\cdot K}{\left \| Q \right \|\cdot \left \| K \right \|}$

import numpy
from scipy.spatial.distance import pdist

dist = 1 - numpy.dot(Q,K)/(numpy.linalg.norm(Q)*numpy.linalg.norm(K))
# or
dist = pdist(numpy.vstack([Q,K]),'cosine')

二. 深度学习中的相似度计算

①点乘

$f\left (Q,K \right )=Q^TK$

②加权点乘

$f\left ( Q,K \right )=Q^TWK$

③拼接

$f\left(Q,K \right )=W[Q,K]$ $[\cdot ]$ 表示拼接操作

④感知器

$f\left(Q,K \right )=V^Ttanh\left(WQ+UK \right )$

上述四种方式均可通过sigmoid或者softmax函数来实现相似度的归一化

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

锋大大

关注关注

2
点赞
踩
11

收藏

觉得还不错? 一键收藏
0
评论
向量之间相似度计算的若干方式

向量之间相似度计算的若干方式假定存在向量与向量，计算两者之间的相似度。一. 传统基于距离度量的相似度计算①欧氏距离import numpydist = numpy.sqrt(numpy.sum(numpy.square(Q - K)))# ordist = numpy.linalg.norm(Q- K)②余弦距离import numpyfrom scipy.spatial.distance import pdistdist = 1 - numpy.dot(Q,
复制链接

扫一扫