|
|
|
|
移动端

2.3.3 高维空间中的距离

《深度学习与计算机视觉:算法原理、框架应用与代码实现》本书全面介绍了深度学习及计算机视觉中最基础的知识,并结合最常见的应用场景和大量实例,带领读者进入丰富多彩的计算机视觉领域。作为一本“原理+实践”教程,本书在讲解原理的基础上,通过有趣的实例带领读者一步步亲自动手,不断提高动手能力,而不是枯燥和深奥原理的堆砌。本节为大家介绍高维空间中的距离。

作者:叶韵来源:机械工业出版社|2017-10-23 16:16

开发者盛宴来袭!7月28日51CTO首届开发者大赛决赛带来技术创新分享

2.3.3  高维空间中的距离

首先还是考虑n维超立方体中的均匀采样,先考虑低维情况,从二维开始,我们来计算一下均匀分布的样本到原点的欧式距离的分布。因为是均匀分布,所以样本到原点距离的累积分布函数(Cumulative Distribution Function,CDF)分布实际上可以看作是随着圆形半径的扩大,正方形内部的圆的面积占正方形面积的比,因为圆和正方形都是沿着x轴和y轴对称,所以实际计算的时候,为方便我们可以只考虑第一象限内的单位正方形内的情况,如图2-26a所示。

在图2-26a的右图中,方形面积为1,我们用l(r)表示弧长在单位正方形内的部分,则CDF为:

因为F(1)就是正方形面积,所以样本到原点距离的概率密度函数(Probability Density Function,PDF)就简化为

计算分为两种情况,一种是r≤1时,如图2-26b所示,很简单就是直角对应的弧长,也就是圆周长的1/4,等于πr/2。当r>1时,如图2-26c所示,弧长为2θr,而cos(π/4-θ)=1/r,所以二维情况下,正方形内均匀采样的样本到原点距离的分布如下:

对于其他维度的情况,也可以分为在超球体内和超球体外的不同区间分别求出分布,不过比起二维情况要复杂得多,我们不再花时间在公式上,直接来看看二维~四维情况均匀采样的样本到原点距离的概率密度分布,如图2-27所示。

喜欢的朋友可以添加我们的微信账号:

51CTO读书频道二维码


51CTO读书频道活动讨论群:365934973

【责任编辑:book TEL:(010)68476606】

回书目   上一节   下一节
点赞 0
分享:
大家都在看
猜你喜欢

读 书 +更多

Cisco网络工程案例精粹

《Cisco网络工程案例精粹》是一本以案例为基础兼顾知识概述的案例性书籍,所收录的案例都是笔者精心挑选出来的在网络工作中常见的案例。 ...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊