關於每個樣本對（向量）求l2-loss（相減 平方 求和 除以2）
對mini-batch內的所有損失取平均：
（m對應官方文件中的n）
實現**：
補充點：
l2 範數： 平方 求和 開根號
l2範數的平方： 平方 求和
l2-loss: 平方 求和 除以2 （下圖是tensorflow 手冊）
相減 平方 求和(axis=1) 除以2 取平均（axis=0）
euclidean_loss = tf.reduce_mean(tf.reduce_sum(tf.square(tf.sub(logits, labels)), axis=1)/2, axis=0)
tf.add_to_collection('losses', euclidean_loss)
Python 歐式距離
歐氏距離 euclidean distance 歐氏距離是最易於理解的一種距離計算方法，源自歐氏空間中兩點間的距離公式。1 二維平面上兩點a x1,y1 與b x2,y2 間的歐氏距離 2 三維空間兩點a x1,y1,z1 與b x2,y2,z2 間的歐氏距離 3 兩個n維向量a x11,x12,x...
歐式距離 標準化歐式距離 馬氏距離 余弦距離
標準化歐氏距離 馬氏距離 夾角余弦距離 漢明距離 曼哈頓 manhattan 距離1,x2x1,x2 間的距離公式 ixi 的各個維度之間的尺度不一樣。對於尺度無關的解釋 如果向量中第一維元素的數量級是100，第二維的數量級是10，比如v1 100,10,30 v2 500,40 則計算歐式距離 2...
馬氏距離與歐式距離
1 歐式距離 2 標準歐式距離 3 馬氏距離 4 測試 構造資料，構建乙個長軸為2短軸為1的橢圓 測試兩個點到質心的距離綠色的點x1 1,0 和黃色的點x2 0,0.8 通過計算歐式距離發現x2距離質心更近一些，但是計算馬氏距離和標準歐式距離卻又是x1距離的更近些 很直接的原因就是長軸的方差比較大，...