在TensorFlow中计算两个二进制张量间的成对欧氏距离

嘿，看起来你已经搞定了最关键的一步——把二进制张量转换成坐标点了！接下来计算成对欧氏距离其实很简单，TensorFlow的广播机制就能帮你轻松实现，下面给你两种实用的方法：

方法一：手动计算（直观易懂） #

我们可以利用TensorFlow的广播特性，把两个坐标数组扩展维度后做元素级运算，最后求和开根号得到欧氏距离：

import tensorflow as tf
import numpy as np

# 你的输入张量
input1 = tf.constant(np.array([[1,0,0], [0,1,0], [0,0,1]]))
input2 = tf.constant(np.array([[0,1,0], [0,0,1], [0,1,0]]))

# 转换为坐标点（你已经实现的部分）
coord1 = tf.where(tf.cast(input1, tf.bool))
coord2 = tf.where(tf.cast(input2, tf.bool))

# 扩展维度：把coord1变成(N, 1, D)，coord2变成(1, M, D)，D是维度数（这里是2）
coord1_expanded = tf.expand_dims(coord1, axis=1)
coord2_expanded = tf.expand_dims(coord2, axis=0)

# 计算每个点对的差值平方
squared_diff = tf.square(coord1_expanded - coord2_expanded)

# 对坐标维度求和，再开根号得到欧氏距离
pairwise_distances = tf.sqrt(tf.reduce_sum(squared_diff, axis=-1))

# 查看结果
print(pairwise_distances.numpy())

运行这段代码后，你会得到一个(3, 3)的矩阵（你的input2实际包含3个点哦~），每个元素对应coord1中第i个点和coord2中第j个点的欧氏距离。

方法二：用tf.norm简化代码 #

如果你觉得手动写平方求和开根号太繁琐，可以直接用tf.norm函数，它默认计算L2范数（也就是欧氏距离），代码更紧凑：

# 沿用上面的coord1和coord2
coord1_expanded = tf.expand_dims(coord1, axis=1)
coord2_expanded = tf.expand_dims(coord2, axis=0)

# 计算差值后直接求L2范数
pairwise_distances = tf.norm(coord1_expanded - coord2_expanded, axis=-1)

这个结果和方法一完全一致，只是代码更简洁。

额外提示 #

• 高维场景适配：不管是2D区域、3D体还是更高维的超体，这个方法都通用——tf.where会自动返回对应维度的坐标，reduce_sum或tf.norm都会沿着坐标维度（最后一维）计算，无需修改代码。
• 数值稳定性：如果担心开根号带来的数值问题，或者只需要平方距离（很多机器学习任务中够用），可以去掉tf.sqrt，直接使用tf.reduce_sum(squared_diff, axis=-1)，这样计算更快更稳定。

内容的提问来源于stack exchange，提问作者Miguel Monteiro