fetch以上代码效果很好。但是迭代每个向量需要花费太多时间。
那么有没有办法一次用多个向量计算相同的数据。就像我们说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})
我比 sklearn的欧几里德距离更喜欢这个，因为我想计算100k向量的相似度，并希望在 GPU 上运行它。
并且也不想复制all_vectors，因为all_vactors已经填满了我机器RAM的70％。
有没有办法通过传递一批矢量来计算距离？