torch.nn.CosineSimilarity() 三维张量

对于三维张量：

import torch
 
a = torch.tensor([[[-1., 0]], [[1., 0]]])
b = torch.tensor([[[1., 1.], [2., 1.]]])
print(a.shape)
print(b.shape)
 
x = torch.nn.CosineSimilarity(-1)
result = x(a, b)
print(result)

输出：

torch.Size([2, 1, 2]) # 张量a的形状
torch.Size([1, 2, 2]) # 张量b的形状
# 余弦相似度
tensor([[-0.7071, -0.8944],
        [ 0.7071,  0.8944]])

为什么两个三维张量的余弦相似度是一个二维张量呢？二维张量中的数分别代表了什么意义？

验证一下

from scipy import spatial
 
print('\nresult[0][0]')
data1 = [-1, 0]
data2 = [1., 1.]
x = 1-spatial.distance.cosine(data1, data2)
print(x)
 
print('\nresult[0][1]')
data1 = [-1, 0]
data2 = [2., 1.]
x = 1-spatial.distance.cosine(data1, data2)
print(x)
 
print('\nresult[1][0]')
data1 = [1., 0]
data2 = [1., 1.]
x = 1-spatial.distance.cosine(data1, data2)
print(x)
 
print('\nresult[1][1]:')
data1 = [1., 0]
data2 = [2., 1.]
x = 1-spatial.distance.cosine(data1, data2)
print(x)

输出：

result[0][0]
-0.7071067811865475
 
result[0][1]
-0.8944271909999157
 
result[1][0]
0.7071067811865475
 
result[1][1]:
0.8944271909999159

验证成功，对于三维张量，可以看作是两个矩阵（第一维是矩阵的行，第二维是矩阵的列，而第三维对应该矩阵中的元素，它是一个向量）。

这个顺序就和高数中含有多个变量的函数求偏导的顺序很像。

参考：torch.nn.functional.cosine_similarity使用详解_JasonLiu1919的博客-CSDN博客