比较与torch.cdist的差异

torch.cdist

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

mindspore.ops.cdist(x1, x2, p=2.0)

更多内容详见mindspore.ops.cdist。

差异对比

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

代码示例

# 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]]