代码拉取完成，页面将自动刷新
torch.cdist(x1, x2, p=2.0, compute_mode='use_mm_for_euclid_dist_if_necessary')
更多内容详见torch.cdist。
mindspore.ops.cdist(x1, x2, p=2.0)
更多内容详见mindspore.ops.cdist。
MindSpore此API功能与PyTorch基本一致，MindSpore无法指定是否使用矩阵乘的方式计算向量对之间的欧几里得距离。
PyTorch: 当参数 compute_mode 为 use_mm_for_euclid_dist_if_necessary ，且当 x1 或 x2 的一个batch中的行向量的个数超过25时，使用矩阵乘的方式计算向量对之间的欧几里得距离。当参数 compute_mode 为 use_mm_for_euclid_dist 时，使用矩阵乘的方式计算向量对之间的欧几里得距离。当参数 compute_mode 为 donot_use_mm_for_euclid_dist 时，不会使用矩阵乘的方式计算向量对之间的欧几里得距离。
MindSpore：无参数 compute_mode 以指定是否使用矩阵乘的方式计算向量对之间的欧几里得距离。在 GPU 和 CPU 上不会使用矩阵乘的方式计算向量对之间的欧几里得距离，在 Ascend 上，会使用矩阵乘的方式计算向量对之间的欧几里得距离。
| 分类 | 子类 | PyTorch | MindSpore | 差异 |
|---|---|---|---|---|
| 参数 | 参数1 | x1 | x1 | - |
| 参数2 | x2 | x2 | - | |
| 参数3 | p | p | - | |
| 参数4 | compute_mode | - | PyTorch中指定是否用矩阵乘的方式计算欧几里得距离的参数，MindSpore中没有该参数 |
# PyTorch
import torch
import numpy as np
torch.set_printoptions(precision=7)
x = torch.tensor(np.array([[1.0, 1.0], [2.0, 2.0]]).astype(np.float32))
y = torch.tensor(np.array([[3.0, 3.0], [3.0, 3.0]]).astype(np.float32))
output = torch.cdist(x, y, 2.0)
print(output)
# tensor([[2.8284271, 2.8284271],
# [1.4142135, 1.4142135]])
# MindSpore
import mindspore.numpy as np
from mindspore import Tensor
from mindspore import ops
x = Tensor(np.array([[1.0, 1.0], [2.0, 2.0]]).astype(np.float32))
y = Tensor(np.array([[3.0, 3.0], [3.0, 3.0]]).astype(np.float32))
output = ops.cdist(x, y, 2.0)
print(output)
# [[2.828427 2.828427 ]
# [1.4142135 1.4142135]]
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。