Eigen中兩個矩陣之間的成對差異根據所需的矩陣之間的成對距離如

matlab/octave。通過一個函數調用（參見cvKmeans.m）計算k均值，以distFunc(Codebook, X)作爲參數兩個尺寸爲K x D的矩陣。Eigen中兩個矩陣之間的成對差異根據所需的矩陣之間的成對距離如

在Eigen這是可以做到對一個矩陣，並通過使用廣播一個載體，作爲eigen.tuxfamily.org解釋：

(m.colwise() - v).colwise().squaredNorm().minCoeff(&index);

然而，在這種情況下v不只是一個載體，但矩陣。 Eigen中的等效線軸是什麼來計算兩個矩陣之間的所有條目之間的成對（歐幾里得）距離？

來源

2013-10-09 Anne van Rossum

我認爲合適的解決方案是將此功能抽象爲一個函數。該功能可能是模板化的;它可能會使用一個循環 - 畢竟，循環會很短。許多矩陣操作都是使用循環實現的 - 這不是問題。

例如，給出你的例子...

MatrixXd p0(2, 4); 
p0 << 
    1, 23, 6, 9, 
    3, 11, 7, 2; 

MatrixXd p1(2, 2); 
p1 << 
    2, 20, 
    3, 10;

然後我們可以構建一個矩陣d使得d（I，J）= | （i） - p （i） - p （j）|

MatrixXd D(p0.cols(), p0.rows()); 
for (int i = 0; i < p1.cols(); i++) 
    D.col(i) = (p0.colwise() - p1.col(i)).colwise().squaredNorm().transpose();

我覺得這是很好 - 我們可以使用一些廣播避免2層嵌套：我們遍歷p的點，但不超過p的積分，也不超過它們的尺寸。

但是，如果您觀察到了這種情況，您可以製作一個oneliner | （i） - p （i） - p （j）| = | p （i）| + | p （j）| - 2 p （ⅰ）^Ťp （j）的。尤其是，最後的組件只是矩陣乘法，所以d = -2 p^Ťp + ...

坯件離開待填充是由僅取決於行的組件組成;以及僅取決於列的組件：這些可以使用rowwise和columnwise操作來表示。

最後的「oneliner」則是：

D = ((p0.transpose() * p1 * -2 
    ).colwise() + p0.colwise().squaredNorm().transpose() 
    ).rowwise() + p1.colwise().squaredNorm();

您也可以與（外）的產物與矢量更換橫行/ colwise欺騙。

兩種方法都導致以下（平方）距離：

你不得不基準，這是最快的，但我也不會驚訝地看到環奪冠，我希望這是更也可讀。

來源

2014-06-07 15:18:47

Eigen比我一見鍾情更讓人頭疼。

沒有reshape()功能，例如（和conservativeResize是另一回事）。
似乎（我想糾正）Map不只是提供一個數據視圖，但臨時變量的分配似乎是必需的。
colwise運算符後面的minCoeff函數不能返回該元素的最小元素和索引。

目前還不清楚replicate是否實際上分配了重複的數據。廣播背後的原因是這不是必需的。

matrix_t data(2,4); 
matrix_t means(2,2); 

// data points 
data << 1, 23, 6, 9, 
     3, 11, 7, 2; 

// means 
means << 2, 20, 
     3, 10; 

std::cout << "Data: " << std::endl; 
std::cout << data.replicate(2,1) << std::endl; 

column_vector_t temp1(4); 
temp1 = Eigen::Map<column_vector_t>(means.data(),4); 

std::cout << "Means: " << std::endl; 
std::cout << temp1.replicate(1,4) << std::endl; 

matrix_t temp2(4,4); 
temp2 = (data.replicate(2,1) - temp1.replicate(1,4)); 
std::cout << "Differences: " << std::endl; 
std::cout << temp2 << std::endl; 

matrix_t temp3(2,8); 
temp3 = Eigen::Map<matrix_t>(temp2.data(),2,8); 
std::cout << "Remap to 2xF: " << std::endl; 
std::cout << temp3 << std::endl; 

matrix_t temp4(1,8); 
temp4 = temp3.colwise().squaredNorm(); 
std::cout << "Squared norm: " << std::endl; 
std::cout << temp4 << std::endl;//.minCoeff(&index); 

matrix_t temp5(2,4); 
temp5 = Eigen::Map<matrix_t>(temp4.data(),2,4); 
std::cout << "Squared norm result, the distances: " << std::endl; 
std::cout << temp5.transpose() << std::endl; 

//matrix_t::Index x, y; 
std::cout << "Cannot get the indices: " << std::endl; 
std::cout << temp5.transpose().colwise().minCoeff() << std::endl; // .minCoeff(&x,&y);

這不是一個很好的oneliner，似乎矯枉過正只是每列data每列means比較，並與他們之間的分歧返回一個矩陣。然而，Eigen的多功能性似乎並不是這樣可以寫得更短。

來源

2013-10-10 13:08:11

Eigen中兩個矩陣之間的成對差異根據所需的矩陣之間的成對距離如

回答

相關問題