【深度学习-CS231n】KNN中利用python计算欧氏距离（利用矩阵非循环）

最新推荐文章于 2022-06-27 23:15:16 发布

wuxiaoxiao2021

最新推荐文章于 2022-06-27 23:15:16 发布

阅读量1.6k

点赞数

分类专栏：深度学习

本文链接：https://blog.youkuaiyun.com/vict_wang/article/details/88049686

版权

深度学习专栏收录该内容

2 篇文章

订阅专栏

本文介绍了一种高效计算测试集与训练集间欧氏距离的方法，通过矩阵运算实现快速距离计算，适用于大规模数据集的机器学习任务。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

    def ComDis(self, X_test):
        # 求测试集和训练集的欧氏距离（向量与向量）
        # 训练样本：X_train = [N_train * D]
        # 测试样本：X_test = [N_test * D]
        # 求出向量与向量间的欧式距离放入矩阵dists[N_test * N_train]中
        dists = np.zeros((X_test.shape[0], self.X_train.shape[0]))
        # 求两个向量欧氏距离dis，利用矩阵乘法求，利用dists = （x - y）^2求取
        value_2xy = np.multiply(X_test.dot(self.X_train.T), -2)
        value_x2 = np.sum(np.square(X_test), axis=1, keepdims=True)
        value_y2 = np.sum(np.square(self.X_train), axis=1)
        dists = value_2xy + value_x2 + value_y2  # x^2 - 2xy + y^2
        return dists
``