计算两个向量间的欧氏距离_深度学习|L2归一化后欧拉距离的平方和cosine相似度等价...

先上结论： L2归一化后欧拉距离的平方与cosine相似度的关系为

，

表示向量

和

的欧式距离，

表示向量

和

的cosine相似度。

一、什么是L2归一化（L2 Normalization）？

L2归一化就是对向量的每一个值都除以向量的平方和的开方，如下面的公式，向量

归一化之后得到向量

。归一化之后的向量

中所有值都在

之间，且

。

假设我们有两个向量

和

，长度均为

，它们都已经过L2归一化。

二、欧氏距离（Euclidean Distance）是常见的相似性度量方法，可求两个向量间的距离。

公式1：

三、cosine相似度是一种相似性度量。

公式2：

四、证明：L2归一化后欧拉距离的平方和cosine相似度等价。

由

和

都已归一化，则有

和

让我们开始展开欧氏距离的平方：

由以上证明我们可以得到L2归一化后，

,L2归一化后欧拉距离的平方与cosine相似度等价证毕。