计算张量中每个元素相对于另一个张量的最小距离答案

【问题标题】：computing minimum distance for each element in a tensor relative to another tensor计算张量中每个元素相对于另一个张量的最小距离
【发布时间】：2016-11-12 00:23:43
【问题描述】：

使用 tensorflow，我正在尝试计算张量相对于已知集合的损失。

给定：

targets = [[.1,.2,.3],[.3,.2,.1],[.5,.3,.5],[.5,.5,.5],[.6,.8.,9]]
guesses = [[.5,.5,.5],[.3,.3,.4],[.5,.6,.4]]

我想回来：

[0.0, 0.0499, 0.02]

我可以一次通过每个猜测找到值：

for i in range(guesses):
    tf.reduce_min(tf.reduce_sum(tf.square(targets - guesses[i]),1))

是否有 tensorflow 函数可以更有效地计算值？

【问题讨论】：

标签： python python-3.x tensorflow

【解决方案1】：

类似：

import numpy as np
import tensorflow as tf

targets = np.array([[.1,.2,.3],[.3,.2,.1],[.5,.3,.5],[.5,.5,.5],[.6,.8,.9]])
guesses = np.array([[.5,.5,.5],[.3,.3,.4],[.5,.6,.4]])

targets = tf.reshape(targets,(5, 1, 3))
goal = tf.reduce_min(tf.reduce_sum(tf.square(targets - guesses), 2), 0)
sess = tf.Session()
o = sess.run(goal)
print o

【讨论】：

哇，太聪明了。谢谢。

【解决方案2】：

有一些近似的方法来运行这个计算。两种经典方法是谱聚类和 K 均值聚类。它们分别解决了两个问题：1）你有大尺寸的向量，2）你有大量的目标。它们可以通过使用神经网络进行组合和泛化。两者都应该可以在 tensorflow 中表达。

在谱聚类中，您会找到输入向量的低维近似值，然后在那里运行完整、详尽的搜索。

在 K 均值聚类中，您会发现较少数量的目标（称为质心），它们是目标集群的“代表”。您对质心进行了详尽的搜索。然后在与质心关联的目标上运行另一个搜索，忽略所有其他目标。因此，如果您有 100 个质心，则可以将计算量减少 100 倍。如果您将问题视为完全连接的二部图，则相当于添加了具有树结构的层。

注意：在您的上述问题中，您可以使用张量操作更改围绕猜测的循环。

【讨论】：

您提到对我的循环使用“张量操作”。你的意思是像 tf.while_loop() 吗？我正在为如何构建它而苦苦挣扎。
不，请参阅上面来自 MMN 的答案以仅运行一项操作。