【python深度学习】相似性度量(余弦距离)示例|内积计算torch.mul()|范数计算torch.norm()

下面一段函数，功能是对输入的特征描述子desc1、desc2做余弦相似度的计算。

def calc_cosine_similarity(desc1, desc2):
    '''
    Input:
        desc1: [B,N,*,C]
        desc2: [B,N,*,C]
    Ret:
        similarity: [B,N,*]
    '''
    
    inner_product = torch.sum(
    							torch.mul(desc1, desc2), dim=-1, 
    							keepdim=False) #指定最终相加是在最后一个维度上计算
    norm_1 = torch.norm(desc1, dim=-1, keepdim=False)
    norm_2 = torch.norm(desc2, dim=-1, keepdim=False)
    
    similarity = inner_product/(torch.mul(norm_1, norm_2)+1e-6)
    return similarity

主要分为两步：

s1: 对desc1和desc2做内积(使用torch.mul())

内积, 即将矩阵中的对应位置相乘, 再逐一相加的结果。内积呈现为一个数字。
向量A=[a1,a2,…an]，B=[b1,b2…bn]
则向量A和B的内积表示为：
A·B=a1×b1+a2×b2+……+an×bn

s2: 计算L2范数
由于torch.norm默认使用的是L2范数，这里直接使用就可以；如果需要使用L1范数， 使用norm_type来指定。