1.Pytorch计算公式

a,b为两个张量，且a.size=B,N,3)，b.size)=B,M,3)，计算a中各点到b中各点的距离，返回距离张量c，c.size)=B,N,M)。不考虑Batch时，可以将理解：c的第i行j列的值表示a中第i个点到b中第j个点的距离。

import torch

def EuclideanDistancet1,t2):
    dim=lent1.size))
    if dim==2:
        N,C=t1.size)
        M,_=t2.size)
        dist = -2 * torch.matmult1, t2.permute1, 0))
        dist += torch.sumt1 ** 2, -1).viewN, 1)
        dist += torch.sumt2 ** 2, -1).view1, M)
        dist=torch.sqrtdist)
        return dist
    elif dim==3:
        B,N,_=t1.size)
        _,M,_=t2.size)
        dist = -2 * torch.matmult1, t2.permute0, 2, 1))
        dist += torch.sumt1 ** 2, -1).viewB, N, 1)
        dist += torch.sumt2 ** 2, -1).viewB, 1, M)
        dist=torch.sqrtdist)
        return dist
    else:
        print'error...')

printf'dimensional 2.......')
a=torch.Tensor[[0,0],[1,1]])
b=torch.Tensor[[1,0],[3,4]])
printf'size of a:{a.size)}\tsize of b:{b.size)}')
printf'distance of point a and b is: {EuclideanDistancea,b)}')
printf'\ndimensional 3.......')
a=torch.unsqueezea,dim=0)
b=torch.unsqueezeb,dim=0)
printf'size of a:{a.size)}\tsize of b:{b.size)}')
printf'distance of point a and b is: {EuclideanDistancea,b)}')

2.代码理解

2.1定义待计算张量

现有张量a，b如下：

2.2距离公式

有距离公式如下：

2.3分步计算

（1）计算：

d1=-2 * torch.matmula, b.permute0, 2, 1))

（1）结果如下：

（2）计算：

d2=torch.suma** 2, -1)
d3=torch.sumb** 2, -1)

（2）结果如下：

当前有：d₁.size=B,N,M)，d₂.size)=B,N,1)，d3.size)=B,M,1)

可以看到d₁中的i行中保持不变的部分为a中的第i个点，d₁中第j列中不变的部分对应b中的j行。因此，只需在d₁的行上加上一个d₂的对应行，列上加d₃的对应行即可。

（3）相加：

d=d1+d2.viewB,N,1)+d3.viewB,1,M)

（3）结果如下：

 （4）开根

d=torch.sqrtd)