用TensorFlow批量计算欧氏距离

上述代码运行良好。但是对每个向量进行迭代需要花费太多的时间。 那么，有没有办法一次用多个向量计算相同的值呢。比如说

vector1=np.random.rand（101000）

我更喜欢这个，而不是sklearn的欧几里德距离，因为我想计算100k向量的相似性，并想在GPU上运行它

而且也不想复制所有向量，因为所有向量已经填满了我机器70%的RAM

---

有没有办法通过传递一批向量来计算距离？

您需要精确的欧几里德距离，还是只需要从

vector1

按距离排序的一组向量？如果是第二个，则删除

sqrt

操作将显著加快算法速度，并保留顺序（如果

a>b

则

a^2>b^2

用于所有正

a，b

）。然后，您可以只在端点处对所需的向量进行sqrt，您需要精确的欧几里德距离，还是只需要从

vector1

按距离排序的一组向量？如果是第二个，则删除

sqrt

操作将显著加快算法速度，并保留顺序（如果

a>b

则

a^2>b^2

用于所有正

a，b

）。然后，您可以只对最后需要的向量进行sqrt

import tensorflow as tf
import numpy as np
dim = 1000
x1 = tf.placeholder('float32', shape=(None, dim))
x2 = tf.placeholder('float32', shape=(None, dim))
l2diff = tf.sqrt( tf.reduce_sum(tf.square(tf.sub(x1, x2)),reduction_indices=1))

vector1  = np.random.rand(1,1000)
all_vectors = np.random.rand(500,1000)

sess = tf.Session()
sess.run(tf.global_variables_initializer())
distances = sess.run(l2diff, feed_dict = {x1: vector1, x2: all_vectors})