Python 面网嵌入的余弦距离问题

我在论坛上问过这方面的问题，但这似乎足够有自己的问题

我在网上用余弦距离拍摄了这个片段。但是输出似乎不正确

这是我的代码（注意：我从

np.matmul

改为

np.dot

，但仍然没有区别。我也不明白为什么我需要使用

转置

。没有它它就无法工作……：

导入PIL
从PIL导入图像
导入tensorflow作为tf
将numpy作为np导入
从tensorflow进口keras
从tensorflow.keras.models导入负载_模型
从tensorflow.keras.optimizers导入Adam
从tensorflow.keras.preprocessing.image导入img_到_数组
从sklearn.metrics.pairwise导入余弦_相似性
#负载模型与编译
facenet=load_model（'facenet_keras.h5'，compile='False'）
compile（优化器='adam'，loss='classifical_crossentropy'，metrics=['accurity']）
def FINDCSINE距离（a、b）：
x=np.dot（np.transpose（a），b）
y=np.dot（np.transpose（a），a）
z=np.dot（np.transpose（b），b）
返回（1-（x/（np.sqrt（y）*np.sqrt（z）））
def区（a、b）：
#为FaceNet准备图像
a、 b=图像打开（a），图像打开（b）
a、 b=np.数组（a），np.数组（b）
a、 b=Image.fromarray（a），Image.fromarray（b）
a、 b=a.resize（（160160）），b.resize（（160160））
a、 b=img_至_阵列（a），img_至_阵列（b）
a=a.重塑（（1，a.形状[0]，a.形状[1]，a.形状[2]））
b=b.重塑（（1，b.形状[0]，b.形状[1]，b.形状[2]））
#获取FaceNet嵌入向量
a、 b=facenet.predict（a），facenet.predict（b）
#计算距离度量
输出=查找距离（a，b）
#打印（输出）
#打印（（余弦_相似性（a，b）））
打印（输出）

输出：

c:/Users/Jerome Ariola/Desktop:     RuntimeWarning: invalid value encountered in sqrt
  return (1 - (x / (np.sqrt(y) * np.sqrt(z))))
[[ 0.         -0.3677783  -0.1329441  ...  0.2845478  -0.33033693
          nan]
 [ 0.26888728  0.          0.17169017 ...  0.47692382  0.02737373
          nan]
 [ 0.1173439  -0.2072779   0.         ...  0.36850178 -0.17422998
          nan]
 ...
 [-0.39771736 -0.9117675  -0.58353555 ...  0.         -0.85943496
          nan]
 [ 0.24831063 -0.02814436  0.14837813 ...  0.4622023   0.
          nan]
 [        nan         nan         nan ...         nan         nan
   0.        ]]

---

FaceNet的

predict（）

方法似乎正在返回包含NaN值的面嵌入。在计算余弦相似性之前剪裁NaN值可能会有所帮助。请使用下面的代码行进行相同操作：

a, b = np.clip(a, -1000, 1000), np.clip(b, -1000, 1000)

---

注意：从a和b的值范围中选择使用上述方法进行剪裁的适当阈值。

当前正在处理解决方案，因此我将尝试更新此值：错误源于facenet.predict（）输出中的负值。在计算余弦距离之前，在图像上运行的模型和数组中的模型都是负值。余弦距离的公式包括

np.sqrt（）

。我尝试了以下方法：

>>将numpy作为np导入
>>>a=[-1,0,1,2,3,4]#带负数的简单数组
>>>a=np.sqrt（a）
__主线程：1:运行时警告：在sqrt中遇到无效值
>>>a
阵列（[nan，0,1,1.41421356,1.73205081，
2.        ])

…如我们所见，数组中有NaN值

---

TL；DR如果我应用

np.abs

会有什么关系，或者这会改变“含义”吗对于整个嵌入？使用值的绝对值将允许计算距离，但我不完全确定这是否是，因为没有更好的术语，好的

在我弄清楚要使用什么范围后将尝试此方法…我甚至如何决定？这似乎并没有改变问题。我仍然在输出中得到NaN。我按照您的说明做了ted…是的，添加

np.abs

肯定会改变嵌入的含义。但我想知道我们是否需要这样做，因为嵌入的内积与自身总是会导致值>=0。为了测试，我在嵌入上使用了

np.abs

。甚至还有一个问题；当计算di时我不应该得到一个数字而不是一个数组吗？输出：

python[[0.-0.36777842-0.13294446…0.2845481-0.33033693[0.26888746 0.0.1716901…0.47692412 0.027391[0.11734442-0.2072754 0…0.36850214-0.17422962.045044]。。。[-0.39771795-0.91176844-0.583537…0.-0.8594358 2.6548653][0.2483108-0.02814436 0.14837784…0.46220255 0.1.8899825]0.]

我错过的一个关键部分是计算距离时的值之和。我想我必须找到一种方法将它们全部相加