参考https://stats.stackexchange.com/questions/15798/how-to-calculate-a-gaussian-kernel-effectively-in-numpy，提供了一种计算预计算核矩阵的解决方案。
from scipy.spatial.distance import pdist, squareformX = loaddata() # 这是一个NxD矩阵，其中N是项目的数量，D是其维度pairwise_dists = squareform(pdist(X, 'euclidean'))K = scip.exp(pairwise_dists / s**2)如果输入是一个有向图的加权邻接矩阵，该如何实现上述高斯核？
回答：
如果你已经有了距离矩阵，你可以简单地应用
K = scip.exp(YOUR_DISTANCE_HERE / s**2)然而，这可能不再是一个核。并非所有“相似性分数”都是有效的核。如果你的距离是一个有效的马哈拉诺比斯距离，那么你可以保证一切都会正常。对于“任何”距离，可能会发生任何情况。
使用无效的核可能会导致：
- 优化过程崩溃
- 找到次优解（差的解）
- 做任何事，完全没有保证。
也许你应该考虑使用图核，它们与高斯核和热扩散有一定的关联性
