我在编写一个聚类算法，其中一部分是计算每个点集的欧几里得距离矩阵。（顺便提一下，这一切都是在Tensorflow中进行的）。每个点集是一组8维向量，我将它们转换为一个M*8的矩阵。对于每个点集中的每个点，我希望找到它与最近邻点之间的距离。我认为最有效的方法是计算每个点集的点对点距离，然后在生成的M*M矩阵的每一行中找到第二小的值（因为每一行的最小值总是0，即一个点与自身的距离）。

以下是我用来为每个点集创建欧几里得距离矩阵的代码：

    partitionedData = tf.dynamic_partition(inputs, pred, num_classes)    for partition in partitionedData:        N = tf.to_int32(partition.get_shape()[0])        qexpand = tf.expand_dims(partition,1)        qTexpand = tf.expand_dims(partition,0)        qtile = tf.tile(qexpand,[1,N,1])        qTtile = tf.tile(qTexpand,[N,1,1])        deltaQ = qtile - qTtile        deltaQ2 = deltaQ*deltaQ        d2Q = tf.reduce_sum(deltaQ2,2)

生成的矩阵可能看起来像这样（注意：这是距离的平方矩阵）：

[[  0.   8.   2.  18.] [  8.   0.  10.   2.] [  2.  10.   0.  20.] [ 18.   2.  20.   0.]]

对于输入矩阵为：

[[2,3],[4,5],[1,4],[5,6]]

我最终希望得到的是每一行中的第二小值，在这种情况下是2,2,2,和2。此外，如果有更好的方法在Tensorflow中计算每个点集中的每个点到最近邻点的距离，并且计算效率高，那将非常有帮助。

回答：

要在Tensorflow中找到第k个元素，你需要使用tf.nn.top_k。如果你需要找最小的值，你不在X中搜索，而是在-X中搜索。

在你的情况下，你甚至不需要这样做。 如果你的矩阵是一个距离矩阵，对角线总是0，这会搞乱你的计算。因此，只需使用tf.matrix_set_diag更改矩阵的对角线，其中你的对角线是一个大小与X相同的向量，每个值都是tf.reduce_max。

为此编写代码是非常简单的。