如何获得适当距离的嵌入图像的针对列表/组的另一个嵌入图像的?
我有一个pretrained模型，用来提取嵌入图像，并且我希望得到距离的图像对其他几个图像，即
Embedding (1028,) against Embedding (5, 1028)
我在尝试做一个图像的相似性的试验im使用余弦的相似性指标，从Tensorflow计算两个之间的距离的嵌入，以及它的工作原理以及在1-1计算即
Embedding_1 = (1028,)
Embedding_2 = (1028,)
metrics.CosineSimilarity(Embedding_1, Embedding_2)
但是我可以弄清楚如何做到这一点1-N距离计算。
Embedding_1 = (1028,)
Embedding_Group = [(1028,),(1028,),(1028,),(1028,),(1028,)]
这可以与 广播. 迭代过图片和计算距离，为每个人对是不好的想法，在这种情况下，因为它不能并行(除非你知道怎么做是你自己)。
import tensorflow as tf
embedding = tf.constant([1., 1.]) # your shape here is (1028,) instead of (2,)
embedding_group = tf.constant([[1., 1.], [1., 2.], [0., 1.]]) # your shape here is (5, 1028) instead of (3, 2)
norm_embedding = tf.nn.l2_normalize(embedding[None, ...], axis=-1)
norm_embedding_group = tf.nn.l2_normalize(embedding_group, axis=-1)
similarity = tf.reduce_sum(norm_embedding * norm_embedding_group, axis=-1) # cosine similarity of same shape as number of samples
print(norm_embedding.numpy())
print(norm_embedding_group.numpy())
print(similarity.numpy())
# [[0.7071067 0.7071067]]
# [[0.7071067 0.7071067 ]
# [0.44721356 0.8944271 ]
# [0. 1. ]]
# [0.9999998 0.94868314 0.7071067 ]