CSDN论坛 > VC/MFC > 图形处理/算法

[推荐] 有一个非常难的问题,求解答,高维数据求欧式距离加速 [问题点数:400分,结帖人grf9527]

Bbs4
本版专家分:1617
结帖率 100%
CSDN今日推荐
Bbs4
本版专家分:1617
Bbs9
本版专家分:84225
Blank
状元 2017年 总版技术专家分年内排行榜第一
Blank
榜眼 2014年 总版技术专家分年内排行榜第二
Blank
探花 2013年 总版技术专家分年内排行榜第三
Blank
进士 2012年 总版技术专家分年内排行榜第七
Bbs2
本版专家分:492
Blank
红花 2011年5月 专题开发/技术/项目大版内专家分月排行榜第一
2011年4月 专题开发/技术/项目大版内专家分月排行榜第一
2011年3月 专题开发/技术/项目大版内专家分月排行榜第一
2011年2月 专题开发/技术/项目大版内专家分月排行榜第一
2011年1月 专题开发/技术/项目大版内专家分月排行榜第一
2010年12月 专题开发/技术/项目大版内专家分月排行榜第一
Blank
黄花 2011年11月 专题开发/技术/项目大版内专家分月排行榜第二
2011年8月 专题开发/技术/项目大版内专家分月排行榜第二
Bbs6
本版专家分:7581
版主
Bbs1
本版专家分:0
Bbs4
本版专家分:1617
Bbs4
本版专家分:1617
Bbs4
本版专家分:1617
Bbs9
本版专家分:84225
Blank
状元 2017年 总版技术专家分年内排行榜第一
Blank
榜眼 2014年 总版技术专家分年内排行榜第二
Blank
探花 2013年 总版技术专家分年内排行榜第三
Blank
进士 2012年 总版技术专家分年内排行榜第七
Bbs9
本版专家分:84225
Blank
状元 2017年 总版技术专家分年内排行榜第一
Blank
榜眼 2014年 总版技术专家分年内排行榜第二
Blank
探花 2013年 总版技术专家分年内排行榜第三
Blank
进士 2012年 总版技术专家分年内排行榜第七
Bbs9
本版专家分:54370
Blank
红花 2015年8月 硬件/嵌入开发大版内专家分月排行榜第一
2015年7月 VC/MFC大版内专家分月排行榜第一
2015年5月 VC/MFC大版内专家分月排行榜第一
2015年4月 VC/MFC大版内专家分月排行榜第一
2015年3月 VC/MFC大版内专家分月排行榜第一
2015年1月 硬件/嵌入开发大版内专家分月排行榜第一
2013年12月 VC/MFC大版内专家分月排行榜第一
2013年11月 VC/MFC大版内专家分月排行榜第一
2013年6月 VB大版内专家分月排行榜第一
2013年5月 VB大版内专家分月排行榜第一
2013年1月 VB大版内专家分月排行榜第一
2012年12月 VB大版内专家分月排行榜第一
Blank
黄花 2015年9月 VC/MFC大版内专家分月排行榜第二
2015年7月 硬件/嵌入开发大版内专家分月排行榜第二
2014年5月 VC/MFC大版内专家分月排行榜第二
2014年3月 VC/MFC大版内专家分月排行榜第二
2013年10月 VB大版内专家分月排行榜第二
2013年7月 VB大版内专家分月排行榜第二
2012年5月 VB大版内专家分月排行榜第二
2012年4月 VB大版内专家分月排行榜第二
2012年2月 VB大版内专家分月排行榜第二
2011年11月 VB大版内专家分月排行榜第二
Blank
蓝花 2015年11月 VC/MFC大版内专家分月排行榜第三
2015年6月 VC/MFC大版内专家分月排行榜第三
2015年2月 VC/MFC大版内专家分月排行榜第三
2014年1月 VC/MFC大版内专家分月排行榜第三
2012年3月 VB大版内专家分月排行榜第三
2011年12月 VB大版内专家分月排行榜第三
2011年10月 VB大版内专家分月排行榜第三
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs3
本版专家分:737
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:11
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:11
Bbs1
本版专家分:0
Bbs1
本版专家分:100
版主
Blank
优秀版主 2015年8月优秀小版主
2015年5月优秀小版主
2015年4月html5优秀版主
Blank
蓝花 2015年7月 Web 开发大版内专家分月排行榜第三
Bbs1
本版专家分:20
Bbs2
本版专家分:400
Bbs9
本版专家分:84225
Blank
状元 2017年 总版技术专家分年内排行榜第一
Blank
榜眼 2014年 总版技术专家分年内排行榜第二
Blank
探花 2013年 总版技术专家分年内排行榜第三
Blank
进士 2012年 总版技术专家分年内排行榜第七
Bbs2
本版专家分:400
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs3
本版专家分:571
Bbs2
本版专家分:231
Bbs9
本版专家分:54370
Blank
红花 2015年8月 硬件/嵌入开发大版内专家分月排行榜第一
2015年7月 VC/MFC大版内专家分月排行榜第一
2015年5月 VC/MFC大版内专家分月排行榜第一
2015年4月 VC/MFC大版内专家分月排行榜第一
2015年3月 VC/MFC大版内专家分月排行榜第一
2015年1月 硬件/嵌入开发大版内专家分月排行榜第一
2013年12月 VC/MFC大版内专家分月排行榜第一
2013年11月 VC/MFC大版内专家分月排行榜第一
2013年6月 VB大版内专家分月排行榜第一
2013年5月 VB大版内专家分月排行榜第一
2013年1月 VB大版内专家分月排行榜第一
2012年12月 VB大版内专家分月排行榜第一
Blank
黄花 2015年9月 VC/MFC大版内专家分月排行榜第二
2015年7月 硬件/嵌入开发大版内专家分月排行榜第二
2014年5月 VC/MFC大版内专家分月排行榜第二
2014年3月 VC/MFC大版内专家分月排行榜第二
2013年10月 VB大版内专家分月排行榜第二
2013年7月 VB大版内专家分月排行榜第二
2012年5月 VB大版内专家分月排行榜第二
2012年4月 VB大版内专家分月排行榜第二
2012年2月 VB大版内专家分月排行榜第二
2011年11月 VB大版内专家分月排行榜第二
Blank
蓝花 2015年11月 VC/MFC大版内专家分月排行榜第三
2015年6月 VC/MFC大版内专家分月排行榜第三
2015年2月 VC/MFC大版内专家分月排行榜第三
2014年1月 VC/MFC大版内专家分月排行榜第三
2012年3月 VB大版内专家分月排行榜第三
2011年12月 VB大版内专家分月排行榜第三
2011年10月 VB大版内专家分月排行榜第三
Bbs2
本版专家分:155
Bbs2
本版专家分:155
Bbs4
本版专家分:1617
Bbs6
本版专家分:7581
版主
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs4
本版专家分:1617
匿名用户不能发表回复!
其他相关推荐
【CUDA并行编程之五】计算向量的欧式距离
本文将介绍如何用cuda来计算两个向量之间的欧式距离,其中涉及到了如果将二维矩阵传入到核函数进行计算的问题,并且介绍两个内存分配和拷贝的API:cudaMallocPitch以及cudaMemcpy2D。 一、需求分析 现在我们要解决这么一个问题:计算一个D维的向量A[D]到二维矩阵B[N][D]的每一行的欧式距离,并且将每一组距离保存在一个向量dis[N]中并返回。
通过矩阵求两个向量集中元素两两之间的欧氏距离(python实现),比直接分开求更快速
在很多算法中都会涉及到求向量欧式距离,例如机器学习中的KNN算法,就需要对由训练集A和测试集B中的向量组成的所有有序对(Ai,Bi),求出Ai和Bi的欧式距离。这样的话就会带来一个二重的嵌套循环,在向量集很大时效率不高。 这里介绍如何将这一过程用矩阵运算实现。 假设有两个三维向量集,用矩阵表示:  A=[a11a12a21a22a31a32] B=⎡⎣⎢⎢b11
欧式距离计算
package com.dp.arts.biz.processor.post; import java.util.Random; /** * @author shitianquan * create at 2017/11/8 */ public class AAA { public double hiddenDistance(double[] v0, double[] v1)
基于稀疏矩阵的k近邻(KNN)实现
基于稀疏矩阵的k近邻(KNN)实现zouxy09@qq.comhttp://blog.csdn.net/zouxy09        元旦了!要跨入2015了!呵呵,忙了挺久,没有更新博客了,博客也悄悄地蒙上了一层灰。在跨年之际,闲来无事,也总结下之前的一些散乱的东西,记录在博客中,恢复点生气。良久未笔,辞藻异常生疏。嗯,祝大家2015再谱人生华丽篇章! 一、概述       这里我们先来看看当我
欧氏距离详解及在matlab中的实现
360百科: 二维公式   d = sqrt((x1-x2)^2+(y1-y2)^2) 三维公式 d=sqrt((x1-x2)^2+(y1-y2)^2+(z1-z2)^2) 推广到n维空间, 欧氏距离的公式 :d=sqrt( ∑(xi1-xi2)^2 ) 这里i=1,2n,xi1表示第一个点的第i维坐标,xi2表示第二个点的第i维坐标
MATLAB的dist函数用法及欧式距离
1 dist函数dist函数就是欧式距离加权函数dist(W,P)中:W——S×R的权值矩阵;P——R×Q的矩阵,表示Q个输入(列)向量例:a=[1 2 3],b=[4 5 6]dist(a,b')=sqrt((1-4)^2+(2-5)^2+(3-6)^2)=5.1962参考MathWorks里面的dist函数https://cn.mathworks.com/help/nnet/ref/dist....
高维矩阵求逆的方法,inv、pinv、/
1、inv 与 pinv原文地址:点击打开链接对于方阵A,如果为非奇异方阵,则存在逆矩阵inv(A)对于奇异矩阵或者非方阵,并不存在逆矩阵,但可以使用pinv(A)求其伪逆(1)invinv(A)*B 实际上可以写成A\BB*inv(A) 实际上可以写成B/A这样比求逆之后带入精度要高A\B=pinv(A)*B A/B=A*pinv(B)(2)pinvX=pinv(A),X=pinv(A,tol)...
计算欧式距离的matlab程序
这是一个计算欧式距离的matlab程序,本人使用过,很好用。
求矩阵各个元素两两之间的欧式距离(python实现)
本文转载自:http://blog.csdn.net/uwell_peng/article/details/49992759 在很多算法中都会涉及到求向量欧式距离,例如机器学习中的KNN算法,就需要对由训练集A和测试集B中的向量组成的所有有序对,求出和的欧式距离。如果一个二重的嵌套循环来实现,在向量集很大时效率不高。 这里介绍如何将这一过程用矩阵运算实现。 假设有
R语言——欧式距离的快速计算方法
之前计算欧式距离的时候,直接使用了dist()方法。但是在实际应用中,这种方法在处理大量数据的时候会被截断,运行时间很长。 百度出来一个感觉很高大上的方法: 快速欧式距离计算【豆瓣】 里面提供了一种运算方法,代码如下: mat <- matrix(runif(2000*1000),nrow=2000) system.time({ smat <- apply(mat, 1...
关闭
关闭