在使用无循环的算法进行计算距离的效率是很高的
可以看到No loop算法使用的时间远远小于之前两种算法
Two loop version took 56.785069 seconds
One loop version took 136.449761 seconds
No loop version took 0.591535 seconds #很快！实现代码主要为以下这一段：
其中X为500×3072的矩阵（测试矩阵）
X_train为5000×3072的矩阵（训练矩阵）
dists 为500×5000的矩阵（距离矩阵）
题中的目的就是将X中每一行的像素数值与X_train中每一行的像素数值（3072个）进行距离运算得出欧氏距离（L2）再储存到dists中
核心公式
test_sum = np.sum(np.square(X), axis=1) # num_test x 1
train_sum = np.sum(np.square(self.X_train), axis=1) # num_train x 1
inner_product = np.dot(X, self.X_train.T) # num_test x num_train
dists = np.sqrt(-2 * inner_product + test_sum.reshape(-1, 1) + train_sum) # broadcast公式讲解：
假设现在有三个矩阵：A（X）、B（X_train）、C（dists ）
将维数缩小以方便操作，稍微进行推导，就可以得出上面的公式了
推导过程如下：
