设feature_map一个具有形状的张量：b,h,w,c = feature_map.shape
为了计算通道（c）轴上所有向量之间的成对欧几里得距离，我使用以下代码：
feature_map = tf.reshape(feature_map,(b,-1,c))
norms = []
for i in range(h*w):
norm = tf.norm(feature_map-feature_map[:,i:i+1,:],ord=2,axis=-1)
norms.append(sorted_tensor)
norms = tf.stack(norms,axis=1)
此过程非常慢。为了避免这种情况，for-loop我尝试使用tf.tile复制张量，然后应用该norm函数，但是由于生成的张量非常大，导致内存错误。
有没有更有效的方法来做到这一点？
我从这里开始使用欧几里得距离矩阵技巧
该numpy适应是以下情况：
feature_map = tf.reshape(feature_map,(b,-1,c))
G = np.einsum('bik, bjk->bij', feature_map, feature_map)
D = G.diagonal(axis1=1,axis2=2).reshape(b,-1,1)+ np.transpose(G.diagonal(axis1=1,axis2=2).reshape(b,-1,1),axes=(0,2,1)) - 2*G
norms = np.sqrt(D)
以及相应的tensorflow改编：
feature_map = tf.reshape(feature_map,(b,-1,c))
G = tf.einsum('bik, bjk->bij', feature_map, feature_map)
D = tf.reshape(tf.linalg.diag_part(G),(b,-1,1))+ tf.transpose(tf.reshape(tf.linalg.diag_part(G),(b,-1,1)),perm=(0,2,1)) - 2*G
norms = tf.sqrt(D)
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句