API_Net官方代码之创建模型_-2 * vectors.mm(torch.t(vectors)) + vectors.pow(2)-优快云博客

本文链接：https://blog.youkuaiyun.com/YJYS_ZHX/article/details/113530259

该博客介绍了如何利用ResNet101计算批量样本的向量距离，并详细讲解了如何构建一个模型，包括初始化、前向传播和获取成对样本的函数。模型专注于找出类别内和类别间距离最近的样本对，用于生成特征向量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

导入包：

import torch
from torch import nn
from torchvision import models
import numpy as np
from skimage import io

设置device：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

1）计算批量样本通过resnet101后输出的批量向量的距离：

计算方法是两个向量之间对应元素相减，再平方，再求和，使用完全平方公式，（a-b)² = (a²-2ab+b²)，因此可以通过展开计算，因为通过展开计算能够批量计算，输入为batch_size个vector，输出为batch_sizebatch_size的矩阵，表示两两向量之间的距离。
并且下面的式子在计算时用到了broadcast，第一项计算后是bb大小，后面的两个均为一维向量，通过view增加一维后与第一项相加，就可以广播到增加的维度上。view通过将一个变为列向量，一个为行向量实现了对应相加。

def pdist(vectors):#计算每两个特征向量之间的距离
    distance_matrix = -2 * vectors.mm(torch.t(vectors)) + vectors.pow(2).sum(dim=1).view(1, -1) + vectors.pow(2).sum(
        dim=1).view(-1, 1)
    return distance_matrix

2）建立模型：

此模型包含三个函数，init()、forward()、get_pairs()，接下来依次介绍：

init()函数：

class API_Net(nn.Module):
    def __init__(self):
        super(API_Net, self).__init__()

        resnet101 = models.resnet101(pretrained=True)
        layers = list(resnet101.children())[:-2]
        #AdaptiveAvgPool2d(output_size=(1, 1)), Linear(in_features=2048, out_features=1000, bias=True)]
        #layers最后输出为 2048层layers
        self.conv = nn.Sequential(*layers)
        self.avg = nn.AvgPool2d(kernel_size=14, stride=1) #2048vectors
        
        self.map1 = nn.</