向量的距离单位（深度学习，机器学习）
在导师的指导下（注：此处可进一步细化为"在导师的悉心指导与鼓励下"），他向我推荐了一个非常实用的工具有效网站（注：此处可替换为"给了我一个非常实用的工具有效网站"），从该网站上能够获取到多种不同的距离计算方案（注：此处可调整为"能够提供多种不同的距离计算方案"）。其中最值得一提的是ot.dist()这一方法（注：此处可替换为"其中最值得一提的是ot.dist()这一方法"），该方法中的一个关键参数是’metric’（注：此处可优化为'该方法中的一个关键参数是'metric'）用于计算不同类型的距离度量（注：此处可扩展为'用于计算不同类型的距离度量'）。特别值得注意的是该方法与torch.cdist()函数具有高度相似的功能特性（注：此处可优化为'特别值得注意的是该方法与torch.cdist()函数具有高度相似的功能特性'）。具体的实现细节以及相关文档资料均可见于以下链接：https://pythonot.github.io/all.html
感觉上在 metric 里有很多距离指标让我觉得不舒服，在看到这么多选项的时候真的让人有点抓狂呢！这些指标似乎都是为特定场景设计的工具，在应用到年轻人身上确实有点不厚道。如果我不设置任何距离指标，默认情况下会采用欧几里得度量——也就是大家常说的两点之间直线最短的距离啦！那咱们就直接开始计算好了：
braycurtis
研究背景：在生态学领域中, 比较两个群落中的微生物组成差异是一个重要的研究方向. 该测度方法具体而言, 是用来衡量不同地段或样地之间的物种组成差异大小的一种指标. 其计算基础则是根据样本中物种数量特征(如丰富度、丰度及重要值等)的变化情况而定. 具体而言, 则是根据样本中的物种数量特征(如物种丰富度、种间丰度及重要性指数等)来完成计算过程. 通过该指标能够量化分析出物种组成间的相似性程度, 并且其数值大小直接反映了两种群落之间微生物组成的接近程度. 在实际应用中, 人们通常希望得到的是一个较小的D值, 这意味着两种群落之间的微生物种类及其分布较为接近, 综合生态效应也更为相似.
canberra
Canberra distance是用来衡量两个向量空间之间的差异的一种方法