python用角度计算余弦值_Python计算N维向量的余弦夹角。

### 使用 Python 批量计算余弦角度 为了实现批量计算余弦角度，在 PyTorch 中可以利用 `cosine_similarity` 函数。该函数能够高效地处理张量间的相似度计算，适用于大规模数据集。 对于一对或多对向量之间的余弦相似度计算，可以通过如下方式构建解决方案： #### 方法一：基于 PyTorch 的批量化计算 通过调整输入维度使得所有待比较的向量组合都能被一次性送入模型中完成运算。具体做法是在原有基础上增加一个批次维度(batch dimension)，从而允许一次性的矩阵乘法操作来代替逐个配对的方式。 ```python import torch from torch.nn.functional import cosine_similarity def batch_cosine_similarity(vectors): """ 计算给定二维张量内每一行与其他各行之间余弦相似度 参数: vectors (Tensor): 形状为(N,D)的浮点型张量，其中N表示样本数量，D代表特征维数 返回: Tensor: 形状为(N,N)的结果张量，包含各组间余弦相似度得分 """ normed_vectors = vectors / vectors.norm(dim=-1, keepdim=True) similarity_matrix = torch.mm(normed_vectors, normed_vectors.t()) return similarity_matrix.fill_diagonal_(0).masked_fill(similarity_matrix != similarity_matrix, float('nan')) # 排除自对比项并处理可能存在的NaN值[^1] vectors = torch.randn(5, 3) # 创建一组测试用三维向量 result = batch_cosine_similarity(vectors) print(result) ``` 上述代码片段展示了如何定义一个名为 `batch_cosine_similarity()` 的辅助函数用于接收任意大小但具有相同长度特征求解其相互关系；同时注意到了自我匹配情况下的特殊处理以及潜在数值不稳定因素的影响。 另外值得注意的是当涉及到更高阶几何结构比如二面角时，则需额外引入矢量叉积等概念来进行转换再求夹角，这超出了单纯依靠余弦距离所能解决的问题范畴[^2]。 最后提及到的概率分布生成部分则完全属于另一领域的内容，并不直接关联于此处讨论的主题[^3]。