相似性度量（或距离度量）方法在多元统计中的聚类分析、判别分析中的距离判别法、泛函分析、机器学习等方面都有应用。所以对于数据分析、机器学习等方面，掌握相似性的不同度量方法是十分重要且必要的。相似性度量与距离度量本质上是同一件事情。如果两组数据之间的距离越大，那么相似性越小；反正，如果相似性越大，那么距离越小，这是可以直观理解的。但是距离度量与相似度量还是有一点点区别的。距离度量，一般情况下距离是大于0的数；而相似性或相异性通常数值介于[0,1]之间。相似性与相异性统称为邻近度。对于相似性的度量，首先我们需要了解我们需要度量的对象，即样本中的数据。对于数据我们可以用样本数据矩阵（观测值矩阵）来表示

相似性度量（或距离度量）方法在多元统计中的聚类分析、判别分析中的距离判别法、泛函分析、机器学习等方面都有应用。所以对于数据分析、机器学习等方面，掌握相似性的不同度量方法是十分重要且必要的。相似性度量与距离度量本质上是同一件事情。如果两组数据之间的距离越大，那么相似性越小；反正，如果相似性越大，那么距离越小，这是可以直观理解的。但是距离度量与相似度量还是有一点点区别的。距离度量，一般情况下距离是大于0的数；而相似性或相异性通常数值介于[0,1]之间。相似性与相异性统称为邻近度。对于相似性的度量，首先我们需要了解我们需要度量的对象，即样本中的数据。对于数据我们可以用样本数据矩阵（观测值矩阵）来表示

可学习感知图像块相似度(LearnedPerceptualImagePatchSimilarity,LPIPS) 项目主页：https://richzhang.github.io/PerceptualSimilarity/论文地址：https://arxiv.org/abs/1801.03924开源代码：https://github.com/richzhang/PerceptualSimilarity可学习感知图像块相似度(LearnedPerceptualImagePatchSimilarity,LPIPS)也称为“感知损失”(perceptualloss)，用于度量两张图像之间的差别。来源

可学习感知图像块相似度(LearnedPerceptualImagePatchSimilarity,LPIPS) 项目主页：https://richzhang.github.io/PerceptualSimilarity/论文地址：https://arxiv.org/abs/1801.03924开源代码：https://github.com/richzhang/PerceptualSimilarity可学习感知图像块相似度(LearnedPerceptualImagePatchSimilarity,LPIPS)也称为“感知损失”(perceptualloss)，用于度量两张图像之间的差别。来源