请问在论证attentions maps在各个位置都相同时，计算余弦和JS时，vi,vj具体指什么，怎么得到的？

[ascenoputing]

代表位置的向量，很费解。在代码上如何表示？

[ZhangYuanhan-AI]

论文3.2节Statistical Analysis中有提到，vi指的是一个sample的feature vector，比如，如果计算attention 的cosine distance，vi指的是（HW1）的向量，vj指的是当前feature map上其他的position，也是（HW1）的向量，这样的vj有p个;那么一个vi可以计算出p个不同的distance。由于可以有p个vi的不同取值，所以最后可以有p^2个不同的distance。最后，table1中att的值就是所有distance（p^2个）的平均值。其他同理。

[ascenoputing]

感谢回复，“vi指的是（HW1）的向量，vj指的是当前feature map上其他的position，也是（HW1）的向量，这样的vj有p个;” 这里还是不太理解。（HW1）的向量是什么意思呢？ p是指像素点个数吗？
请问对应的代码是哪一块啊？

[ZhangYuanhan-AI]

感谢回复，“vi指的是（HW1）的向量，vj指的是当前feature map上其他的position，也是（HW1）的向量，这样的vj有p个;” 这里还是不太理解。（HW1）的向量是什么意思呢？ p是指像素点个数吗？

（HW1）的向量是什么意思呢？：假设我们这个时候想要计算的是当前feature map上所有position的attention（前提）之间的的average distance，那么vi和vj的值指的就是HW * 1 vector，这个HW * 1 vector指的就是一个position（可以理解为一个像素点）的attention值。如果这个时候不是计算attention之间的average distance，那么vi,vj的值和含义也会相应改变。
p是指像素点个数吗：可以这么理解

请问对应的代码是哪一块啊？
代码我还没看。

[ascenoputing]

非常感谢，原来你也不是原作者啊，哈哈，一开始以为你是原作者：）