设 X 为 Bxn numpy 矩阵，即
import numpy as np
B = 10
n = 2
X = np.random.random((B, n))
现在，我感兴趣的是计算所谓的内核(甚至相似度)矩阵 K，它的形状是 BxB，它的 { i,j}-th 元素给出如下:
K(i,j) = 乐趣(x_i, x_j)
其中 x_t 表示矩阵 X 的第 t 行，fun 是 的一些函数>x_i, x_j。例如，这个函数可以是所谓的 RBF 函数，即
K(i,j) = exp(-|x_i - x_j|^2).
为此，一种天真的方法如下:
K = np.zeros((B, B))
for i in range(X.shape[0]):
x_i = X[i, :]
for j in range(X.shape[0]):
x_j = X[j, :]
K[i, j] = np.exp(-np.linalg.norm(x_i - x_j, 2) ** 2)
我想做的是把上面的操作向量化，为了效率。你能帮忙吗？
最佳答案
如果您利用 broadcasting 的力量，这在 numpy 中当然是可能的.
您只需以矢量化方式编写内部距离范数计算代码:
X1 = X[:, np.newaxis, :]
X2 = X[np.newaxis, :, :]
K = np.exp(-np.sum((X1 - X2)**2, axis=-1))
关于python - 在 Python (NumPy) 中高效计算相似度矩阵，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/48907216/