python - 如何计算 2-D 张量和 3-D 张量之间的欧氏距离？

Question

我有一个形状为 (?, L) 的二维张量 A，它指的是通过神经网络获得的特征(其中“?”是批量大小)，以及形状为(N、K、L 的 3-D 张量 B )。显然，B中有N个形状为(K,L)的数组，称为<此处为strong>C。

现在，我如何计算之间的平均欧氏距离(A的一行和C的每一行的平均距离) A的每一行和每个C，而不迭代A和C中的每一行，最后返回一个向量形状为 (?, N) ？

例如，当A形状为(1,L)时，可以得到如下结果:

import tensorflow as tf

with tf.Graph().as_default(), tf.Session() as sess:
    A = tf.placeholder(tf.float32, [1, None])
    B = tf.placeholder(tf.float32, [None, None, None])
    dist = tf.reduce_mean(tf.norm(B - A, axis=2), axis=1)
    print(sess.run(dist, feed_dict={A: [[1, 2, 3]],
                                    B: [[[ 4,  5,  6], [ 7,  8,  9]],
                                        [[10, 11, 12], [13, 14, 15]]]}))
    # [ 7.7942286 18.186533 ]

我想知道当 A = ([[1, 2, 3], [4, 5, 6]]) (这只是 A 的一个例子，其形状为 ( 2, 3))，如何得到形状为 [2, 2] 的上题结果？

Answer 1

import tensorflow as tf

with tf.Graph().as_default(), tf.Session() as sess:
    A = tf.placeholder(tf.float32, [1, None])
    B = tf.placeholder(tf.float32, [None, None, None])
    newA = tf.expand_dims(A, 0)
    dist = tf.reduce_mean(tf.norm(B - newA, axis=2), axis=1)
    print(sess.run(dist, feed_dict={A: [[1, 2, 3]],
                                    B: [[[ 4,  5,  6], [ 7,  8,  9]],
                                        [[10, 11, 12], [13, 14, 15]]]}))