コサイン距離は、多くの場合、例えば、算出された類似度を適用する際に使用されます。
- テキスト類似検索
- 顔認識検索
- 類似画像検索
それは理論的根拠を概説します
以下は、コサイン類似度（ウィキペディアからの図）計算値：
しかし、コサイン類似度、および一般的なユークリッド距離又は距離L1が異なっています。
- 範囲-1〜1の間のコサイン類似度。1の正確に同じ値、-1は逆逆直交又は無相関はゼロです。（以下、ソース）
- ユークリッド距離は、一般に、正規化後の0と1の間の正の値です。短い距離、より類似しています。
より直感的な類似検索のためのユークリッド距離。使用に際し、コサイン類似度に変換する必要はコサイン距離ユークリッド距離と類似しています。
ウィキ所定の角距離は（ウィキペディアからの図）を以下のように計算されます。
画像または類似度を計算するテキストので、抽出された特徴が負でない、0から1までの範囲のコサイン類似度は、簡単な方法ので、直接のように定義します：
1-コサイン類似度のコサイン距離=
コード分析
以下のコードは、異なる入力データに応じて二つのモードに分けます。
- 入力データの1次元ベクトルは、画像やテキストの単一（シングルモード）との間の類似度を算出します
- 二次元ベクトル（行列）、複数の画像またはテキスト間の類似性（バッチモード）を計算するための入力データ
1つのインポートNPとしてnumpyの
2デフcosine_distance（B）：
3であればa.shape =！B.SHAPE：
4レイズはRuntimeError（ "アレイ{}形状が一致してい{}" .format（a.shape、B.SHAPE） ） 5もしa.ndim == 1 ： 6 a_norm = np.linalg.norm（）7 b_norm = np.linalg.norm（B）8のelif a.ndim == 2 ：9 a_norm = np.linalg.norm（ 、軸= 1、keepdims = TRUE）10 b_norm = np.linalg.norm（B、軸= 1、keepdims = TRUE）そうでなければ11 ：12レイズはRuntimeError（ "配列の次元{}はない右" .format（a.ndim ））13 similiarity = np.dot（BT）/（a_norm * b_norm）14 DIST = 1 - similiarity 15戻りDIST
ライン〜。7. 6は、 np.linalg.norm 操作は、ベクトルパラダイムデフォルトのL2ノルムを求めている、ユークリッド距離が必要なベクトルに相当します。
パラメータ軸= 1を設定する10行9、。各正規化された画像処理の個々の特性に対応し、ベクトルが行のデータを処理し、正規化した二次元ベクトルに対する。
13行は、np.dot 操作は、文書の公式な解釈から、2つの動作モードをサポートすることができます。
numpy.dot（、 B、 アウト=なし）2つの配列の内積。具体的には、
両方の場合 、A と Bが 1次元配列され、それは（複素共役なし）ベクトルの内積です。
両方の場合 、A と Bは 2次元配列であり、それは行列乗算であるが、使用
matmul又は 好ましいです。a @ b
一貫性のために、我々は転置操作を使用します。図は、（から次のブログ定義により）、線形代数行列乗算を、乗算を完了するために、行×列でなければなりません。実施例32は、128次元の特徴を計算し、それが32x128 * 128x32ジョブでなければなりません。
