数据结构
网络
关系型数据库管理系统 (RDBMS)
操作系统
Java
Microsoft Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法律研究如何在PyTorch中计算两个张量的余弦相似度？
为了计算两个张量之间的余弦相似度，我们使用**torch.nn**模块提供的**CosineSimilarity()**函数。它返回沿**dim**计算的余弦相似度值。
**dim**是此函数的一个可选参数，沿其计算余弦相似度。
对于一维张量，我们只能沿**dim=0**计算余弦相似度。
对于二维张量，我们可以沿**dim=0**或**1**计算余弦相似度。
为了计算余弦相似度，两个张量的尺寸必须相同。两个张量必须是实数值的。余弦相似度常用于文本分析中度量文档相似度。
语法
torch.nn.CosineSimilarity(dim=1)
默认的**dim**设置为1。但是，如果您测量**一维张量**之间的余弦相似度，则我们将**dim**设置为0。
步骤
导入所需的库。在以下所有示例中，所需的Python库是**torch**。确保您已安装它。
import torch
创建两个张量并打印它们。两个张量必须是实数值的。
tensor1 = torch.randn(3,4) tensor2 = torch.randn(3,4)
定义一个沿维度**dim**测量余弦相似度的方法。
cos = torch.nn.CosineSimilarity(dim=0)
使用上面定义的方法计算余弦相似度。
output = cos(tensor1, tensor2)
打印计算出的包含余弦相似度值的张量。
print("Cosine Similarity:",output)示例1
下面的Python程序计算两个一维张量之间的**余弦相似度**。
# Import the required library
import torch
# define two input tensors
tensor1 = torch.tensor([0.1, 0.3, 2.3, 0.45])
tensor2 = torch.tensor([0.13, 0.23, 2.33, 0.45])
# print above defined two tensors
print("Tensor 1:
", tensor1)
print("Tensor 2:
", tensor2)
# define a method to measure cosine similarity
cos = torch.nn.CosineSimilarity(dim=0)
output = cos(tensor1, tensor2)
# display the output tensor
print("Cosine Similarity:",output)输出
Tensor 1: tensor([0.1000, 0.3000, 2.3000, 0.4500]) Tensor 2: tensor([0.1300, 0.2300, 2.3300, 0.4500]) Cosine Similarity: tensor(0.9995)
示例2
在这个Python程序中，我们沿不同的**dim**计算两个二维张量之间的余弦相似度。
# Import the required library
import torch
# define two input tensors
tensor1 = torch.randn(3,4)
tensor2 = torch.randn(3,4)
# print above defined two tensors
print("Tensor 1:
", tensor1)
print("Tensor 2:
", tensor2)
# define a method to measure cosine similarity in dim 0
cos0 = torch.nn.CosineSimilarity(dim=0)
output0 = cos0(tensor1, tensor2)
print("Cosine Similarity in dim 0:
",output0)
# define a method to measure cosine similarity in dim 1
cos1 = torch.nn.CosineSimilarity(dim=1)
output1 = cos1(tensor1, tensor2)
print("Cosine Similarity in dim 1:
",output1)输出
Tensor 1: tensor([[ 0.2714, 1.1430, 1.3997, 0.8788], [-2.2268, 1.9799, 1.5682, 0.5850], [ 1.2289, 0.5043, -0.1625, 1.1403]]) Tensor 2: tensor([[-0.3299, 0.6360, -0.2014, 0.5989], [-0.6679, 0.0793, -2.5842, -1.5123], [ 1.1110, -0.1212, 0.0324, 1.1277]]) Cosine Similarity in dim 0: tensor([ 0.8076, 0.5388, -0.7941, 0.3016]) Cosine Similarity in dim 1: tensor([ 0.4553, -0.3140, 0.9258])
更新于：2022年1月20日
12K+浏览量
广告