在tf.metrics.mean_cosine_distance上使用哪个调光？

这是dim 0您的意见x。将输入构造x为numpy数组后，可以很直观地看到这一点。

In [49]: x_arr = np.array(x, dtype=np.float32)

In [50]: x_arr
Out[50]: 
array([[ 1.,  2.,  3.,  4.,  5.],
       [ 0.,  2.,  3.,  4.,  5.]], dtype=float32)


# compute (mean) cosine distance between `x[0]` & `x[1]`
# where `x[0]` can be considered as `labels`
# while `x[1]` can be considered as `predictions`
In [51]: cosine_dist_axis0 = tf.metrics.mean_cosine_distance(x_arr[0], x_arr[1], 0)

这dim对应axis于NumPy术语中的名称。例如，一个简单的sum操作可以axis 0像这样完成：

In [52]: x_arr
Out[52]: 
array([[ 1.,  2.,  3.,  4.,  5.],
       [ 0.,  2.,  3.,  4.,  5.]], dtype=float32)

In [53]: np.sum(x_arr, axis=0)
Out[53]: array([  1.,   4.,   6.,   8.,  10.], dtype=float32)

计算时tf.metrics.mean_cosine_distance，如果输入的形状为，则本质上是在计算向量之间以及沿向量的余弦距离（然后取平均值），其中每个向量的长度在哪里（即标签/预测中的条目数）labelspredictionsdim 0(n, )n

但是，如果您将labels和predictions作为列向量传递，则tf.metrics.mean_cosine_distance必须沿着计算dim 1

范例：

如果您输入的label和prediction是列向量，

# if your `label` is a column vector
In [66]: (x_arr[0])[:, None]
Out[66]: 
array([[ 1.],
       [ 2.],
       [ 3.],
       [ 4.],
       [ 5.]], dtype=float32)

# if your `prediction` is a column vector
In [67]: (x_arr[1])[:, None]
Out[67]: 
array([[ 0.],
       [ 2.],
       [ 3.],
       [ 4.],
       [ 5.]], dtype=float32)

然后，tf.metrics.mean_cosine_distance必须按照dim 1

# inputs
In [68]: labels = (x_arr[0])[:, None]
In [69]: predictions = (x_arr[1])[:, None]

# compute mean cosine distance between them
In [70]: cosine_dist_dim1 = tf.metrics.mean_cosine_distance(labels, predictions, 1)

这tf.metrics.mean_cosine_distance或多或少地在做同样的事情，scipy.spatial.distance.cosine但也需要做mean。

对于您的示例案例：

In [77]: x
Out[77]: [[1, 2, 3, 4, 5], [0, 2, 3, 4, 5]]

In [78]: import scipy

In [79]: scipy.spatial.distance.cosine(x[0], x[1])
Out[79]: 0.009132