使用python求两个矩阵的余弦距离

求两个矩阵的余弦距离

余弦距离可适应用于人脸识别，将待识别人脸的图像提取特征，与人脸注册库的所有图像的特征矩阵求距离，然后找到最相似的。
本文提供两种思路三种编程方法

导入必要的库

import numpy as np
from numpy.linalg import norm
from sklearn.preprocessing import normalize

随机产生两个矩阵，可以这样理解，待识别人脸有10张，每张特征值128个点；同理人脸库100张图

features1 = np.random.rand(10,128).astype(np.float32)
features2 = np.random.rand(100,128).astype(np.float32)

第一种思路

$$cos(A,B)＝\frac{\overrightarrow{A_{m\ast p}}\cdot \overrightarrow{B_{n\ast p}^T}}{|\vec{A}|\cdot |\vec{B}|}$$

求两个矩阵的点积，然后再除以模代码如下

norm1 = norm(features1,axis=-1).reshape(features1.shape[0],1)
norm2 = norm(features2,axis=-1).reshape(1,features2.shape[0])
end_norm = np.dot(norm1,norm2)
cos = np.dot(features1, features2.T)/end_norm

print(cos.shape)

(10, 100)

第二种思路

$$cos(A,B)＝\frac{\overrightarrow{A_{m\ast p}}}{|\vec{A}|}\cdot {(\frac{\overrightarrow{B_{n\ast p}}}{|\vec{B}|})}^T$$

分别求两个向量的单位向量，然后再求点积

x1 = features1/norm(features1,axis=-1,keepdims=True)
x2 = features2/norm(features2,axis=-1,keepdims=True)

cos1 = np.dot(x1,x2.T)

x11 = normalize(features1)
x22 = normalize(features2)
cos2 = np.dot(x11,x22.T)

np.testing.assert_allclose(cos1,cos2,rtol=1e-6)

np.testing.assert_allclose(cos,cos2,rtol=1e-6)

余弦值的值域是-1到1，值越大，两都越相似，转换一下

similarity= 0.5*cos+0.5

这样将余弦距离转换成相似度，0到1之间，越大越相似