图像特征匹配场景下np.linalg.norm两种用法的区别是什么？

1. dists1 = np.linalg.norm(features - query, axis=1) 计算逻辑 #

• 第一步先执行features - query操作：features是形状为(31303, 4096)的特征库数组，每一行对应一张图库图像的4096维特征；query是形状为(4096,)的待查询图像特征，此处会触发numpy广播机制，query自动扩展为和features同形状的(31303, 4096)数组，和features逐元素相减，得到每个图库特征和查询特征的差值向量。
• 第二步调用np.linalg.norm(..., axis=1)：未指定ord参数时默认计算L2范数（也就是欧氏距离），axis=1表示对每一行的差值向量单独计算范数，最终得到的dists1是长度为31303的数组，每个值对应对应图库特征和查询特征的欧氏距离，数值越小说明两个特征相似度越高，是图像检索场景下正确的相似度计算方式。
• 你输出中打印的dists就是这个计算结果，数值范围在0-1.3之间，和你提取的特征是L2归一化特征的特性匹配（你打印的query的L2范数接近1，两个归一化向量的欧氏距离最大值为2，和输出范围完全吻合）。

2. dists2 = (np.linalg.norm(features, axis=1)) - np.array(np.linalg.norm(query, 0)) 计算逻辑 #

• 首先计算np.linalg.norm(features, axis=1)：对features每一行计算默认的L2范数，得到长度为31303的数组，每个值是对应图库特征的L2模长，由于你的特征经过L2归一化，这个数组里所有值都接近1。
• 然后计算np.linalg.norm(query, 0)：这里指定了ord=0参数，L0范数的定义是向量中非零元素的个数，你的query是4096维特征，其中非零元素数量为1158，所以这个值是固定的常数1158。
• 最后用每个图库特征的L2模长（≈1）减去1158，得到的结果全部≈-1157.9999，取整后就是你输出中全为-1158的结果，这个计算逻辑和特征相似度完全无关，属于参数传递错误导致的无效计算。

两者核心差异 #

• 计算逻辑完全不同：dists1计算的是两个特征向量差值的L2范数（欧氏距离），直接衡量两个特征的相似程度；dists2计算的是图库特征的L2范数减去查询特征的L0范数，两个计算维度没有语义关联，完全不能衡量相似度。
• 结果价值不同：dists1的数值范围合理，排序后可以直接得到最相似的TopK检索结果；dists2所有结果都接近-1158，没有任何检索价值。

内容的提问来源于stack exchange，提问作者Timmi Kleinnibbelink Rysgaard