主要是有些数据没有32 只有28个

如果数据集中点的数量不是固定的32而是28，例如你的点集形状变成了[batch_size, feature_dim, 28]，那么在计算逐点平均距离时，你需要稍微调整一下代码。首先，展平操作会变成`view(-1, feature_dim*28)`，然后在计算距离矩阵时，由于点数不同，可能会导致维度不匹配。在这种情况下，你需要先检查并调整数据，比如填充缺失的点或者只计算实际存在的点对。

以下是针对28个点的情况修改后的代码示例：

# 假设只有一个batch，因为批量处理不影响单个样本的处理
point_set_1 = torch.randn(feature_dim, 28)  # 第一个点集
point_set_2 = torch.randn(feature_dim, 28)  # 第二个点集

# 展平点集
flat_point_set_1 = point_set_1.flatten()  # feature_dim * 28
flat_point_set_2 = point_set_2.flatten()

# 计算点对间的距离，注意这里不需要cdist，因为我们只有两组点
if feature_dim == 3:  # 如果是三维空间
    distances = torch.norm(flat_point_set_1[:, None, :] - flat_point_set_2[None, :, :], dim=-1)
else:
    distances = (flat_point_set_1[:, None] - flat_point_set_2[None]) ** 2  # 平方差形式适用于二维及更低维度
    distances = torch.sum(distances, dim=-1)  # 对所有特征求和得到距离

# 取平均距离
average_distance = distances.mean()

# 如果需要考虑批量情况，可以在循环内部应用这个过程