小编Ris*_*b P的帖子

我想对闭路电视录像运行人脸识别。我在推理过程中实现了几个用于人脸嵌入比较的距离度量，如欧几里德距离、余弦距离、KDTree、SVM、L1 和 L2 距离等，但最终我只保留了前两个，因为我没有从这些距离中获得预期的准确性很难找到一个好的门槛。

def distance(self, embeddings1, embeddings2, distance_metric=0):
        if distance_metric == 0:
            # Euclidian distance
            embeddings1 = embeddings1/np.linalg.norm(embeddings1, axis=1, keepdims=True)
            embeddings2 = embeddings2/np.linalg.norm(embeddings2, axis=1, keepdims=True)
            dist = np.sqrt(np.sum(np.square(np.subtract(embeddings1, embeddings2))))
            return dist
        elif distance_metric == 1:
            # Distance based on cosine similarity
            dot = np.sum(np.multiply(embeddings1, embeddings2), axis=1)
            norm = np.linalg.norm(embeddings1, axis=1) * np.linalg.norm(embeddings2, axis=1)
            similarity = dot/norm
            dist = np.arccos(similarity) / math.pi
            return dist[0]
        else:
            raise 'Undefined distance metric %d' % distance_metric

问题 1：人脸嵌入比较准确度的最佳指标是什么以及如何设置阈值？

Q2：除了欧氏距离和余弦距离之外，Face Embedding 比较最快、更好的方法是什么？

我有一个大小为：的张量torch.Size([64, 2941])，它是 64 个批次，共 2941 个元素。

在所有 64 个批次中，我想计算张量第二维中 1 和 0 的总数，一直到第 2941 个，以便我将这些计数作为大小的张量torch.Size([2941])

我怎么做？