歐氏距離(euclidean distance)
歐氏距離是最易於理解的一種距離計算方法，源自歐氏空間中兩點間的距離公式。
(1)二維平面上兩點a(x1,y1)與b(x2,y2)間的歐氏距離：
(2)三維空間兩點a(x1,y1,z1)與b(x2,y2,z2)間的歐氏距離：
(3)兩個n維向量a(x11,x12,…,x1n)與 b(x21,x22,…,x2n)間的歐氏距離：
(4)也可以用表示成向量運算的形式：
python中的實現：
import numpy as np2x=np.random.random(10)
y=np.random.random(10)
#方法一：根據公式求解
d1=np.sqrt(np.sum(np.square(x-y)))
#方法二：根據scipy庫求解
from scipy.spatial.distance import pdist
x=np.vstack([x,y]) #將x,y兩個一維陣列合併成乙個2d陣列 ；[[x1,x2,x3...],[y1,y2,y3...]]
d2=pdist(x) #d2=np.sqrt(（x1-y1)
+(x2-y2)2
+....)
歐式距離 caffe tensorflow
關於每個樣本對 向量 求l2 loss 相減 平方 求和 除以2 對mini batch內的所有損失取平均 m對應官方文件中的n 實現 補充點 l2 範數 平方 求和 開根號 l2範數的平方 平方 求和 l2 loss 平方 求和 除以2 下圖是tensorflow 手冊 相減 平方 求和 axis...
歐式距離 標準化歐式距離 馬氏距離 余弦距離
標準化歐氏距離 馬氏距離 夾角余弦距離 漢明距離 曼哈頓 manhattan 距離1,x2x1,x2 間的距離公式 ixi 的各個維度之間的尺度不一樣。對於尺度無關的解釋 如果向量中第一維元素的數量級是100，第二維的數量級是10，比如v1 100,10,30 v2 500,40 則計算歐式距離 2...
馬氏距離與歐式距離
1 歐式距離 2 標準歐式距離 3 馬氏距離 4 測試 構造資料，構建乙個長軸為2短軸為1的橢圓 測試兩個點到質心的距離綠色的點x1 1,0 和黃色的點x2 0,0.8 通過計算歐式距離發現x2距離質心更近一些，但是計算馬氏距離和標準歐式距離卻又是x1距離的更近些 很直接的原因就是長軸的方差比較大，...