def euclidean_distance_full3(self, dim, alvo):
dist1 = np.zeros((len(alvo), dim))
alvo = np.asarray(
alvo
) #necessario para utilizar a funcao eucl_dist -- otimizacao da distancia euclidiana
dist1 = dist(alvo, alvo)
alvo = alvo.tolist(
) #necessario voltar para lista para nao afetar a programacao feita anteriormente
dist1 = dist1.tolist()
return dist1
def euclidean_distance_full2(self, dim):
dist1 = np.zeros((len(self.pop), dim))
self.pop = np.asarray(
self.pop
) #necessario para utilizar a funcao eucl_dist -- otimizacao da distancia euclidiana
dist1 = dist(self.pop, self.pop)
self.pop = self.pop.tolist(
) #necessario voltar para lista para nao afetar a programacao feita anteriormente
dist1 = dist1.tolist()
self.full_euclidean.append(dist1)
def euclidean_distance_individual(self, alvo, archive, dim):
dist1 = np.zeros((len(archive), dim))
alvo = np.asarray([alvo])
archive = np.asarray(
archive
) #necessario para utilizar a funcao eucl_dist -- otimizacao da distancia euclidiana
dist1 = dist(alvo, archive)
archive = archive.tolist(
) #necessario voltar para lista para nao afetar a programacao feita anteriormente
dist1 = dist1.tolist()
dist1 = dist1.pop()
return dist1, dist1.index(min(dist1))
def euclidean_distance_generic(self, alvo, population, dim):
dist1 = np.zeros((len(population), dim))
alvo = np.asarray([alvo])
population = np.asarray(
population
) #necessario para utilizar a funcao eucl_dist -- otimizacao da distancia euclidiana
dist1 = dist(alvo, population)
population = population.tolist(
) #necessario voltar para lista para nao afetar a programacao feita anteriormente
dist1 = dist1.tolist()
dist1 = dist1.pop()
return dist1, dist1.index(min(dist1))
def euclidean_distance2(self, alvo, dim):
dist1 = np.zeros((len(self.pop), dim))
alvo = np.asarray([alvo])
self.pop = np.asarray(
self.pop
) #necessario para utilizar a funcao eucl_dist -- otimizacao da distancia euclidiana
dist1 = dist(alvo, self.pop)
self.pop = self.pop.tolist(
) #necessario voltar para lista para nao afetar a programacao feita anteriormente
dist1 = dist1.tolist()
dist1 = dist1.pop()
return dist1, dist1.index(min(dist1))
## Use this script to perform quick tests on the codebase for verification
import numpy as np
from sklearn.metrics.pairwise import pairwise_distances
from eucl_dist.cpu_dist import dist
from eucl_dist.gpu_dist import dist as gdist
a = np.random.rand(10000, 3)
b = np.random.rand(10000, 3)
print(
np.allclose(pairwise_distances(a, b, 'sqeuclidean'), dist(a, b),
atol=1e-5))
print(
np.allclose(pairwise_distances(a, b, 'sqeuclidean'),
gdist(a, b),
atol=1e-5))
a = np.random.rand(800, 2048).astype(np.float32)
b = np.random.rand(800, 2048).astype(np.float32)
print(
np.allclose(pairwise_distances(a, b, 'sqeuclidean'), dist(a, b),
atol=1e-5))
print(
np.allclose(pairwise_distances(a, b, 'sqeuclidean'),
gdist(a, b),
atol=1e-5))