KmeansPlusPlusInitialization

کلاس نهایی عمومی KmeansPlusPlusInitialization

num_to_sample ردیف های ورودی را با استفاده از معیار KMeans++ انتخاب می کند.

ردیف نقاط به عنوان نقاط ورودی فرض می شود. یک ردیف به صورت تصادفی انتخاب می شود. سطرهای بعدی با احتمال متناسب با مجذور فاصله L2 از نزدیکترین ردیف انتخاب شده تا کنون نمونه برداری می شوند تا اینکه ردیف های num_to_sample نمونه برداری شوند.

روش های عمومی

خروجی <Float>
asOutput ()
دسته نمادین یک تانسور را برمی‌گرداند.
Static KmeansPlusPlusInitialization
ایجاد ( scope scope، Operand <Float> points، Operand <Long> numToSample، Operand <Long> seed، Operand <Long> numRetriesPerSample)
روش کارخانه برای ایجاد یک کلاس که یک عملیات KmeansPlusPlusInitialization جدید را بسته بندی می کند.
خروجی <Float>
نمونه ها ()
ماتریس شکل (تعداد_به_نمونه، d).

روش های ارثی

روش های عمومی

خروجی عمومی <Float> asOutput ()

دسته نمادین یک تانسور را برمی‌گرداند.

ورودی های عملیات TensorFlow خروجی های عملیات تنسورفلو دیگر هستند. این روش برای به دست آوردن یک دسته نمادین که نشان دهنده محاسبه ورودی است استفاده می شود.

عمومی ایستا KmeansPlusPlusInitialization ایجاد ( scope scope، Operand <Float> points، Operand <Long> numToSample، Operand <Long> seed، Operand <Long> numRetriesPerSample)

روش کارخانه برای ایجاد یک کلاس که یک عملیات KmeansPlusPlusInitialization جدید را بسته بندی می کند.

مولفه های
محدوده محدوده فعلی
نکته ها ماتریس شکل (n، d). سطرها به عنوان نقاط ورودی فرض می شوند.
numToSample اسکالر. تعداد ردیف هایی که باید نمونه برداری شود. این مقدار نباید بزرگتر از n باشد.
دانه اسکالر. Seed برای مقداردهی اولیه مولد اعداد تصادفی.
numRetriesPerSample اسکالر. برای هر ردیفی که نمونه برداری می شود، این پارامتر تعداد نقاط اضافی را مشخص می کند که باید از توزیع فعلی قبل از انتخاب بهترین، ترسیم شوند. اگر مقدار منفی مشخص شده باشد، از یک اکتشافی برای نمونه برداری از نقاط اضافی O(log(num_to_sample)) استفاده می شود.
برمی گرداند
  • یک نمونه جدید از KmeansPlusPlusInitialization

نمونه های خروجی عمومی <Float> ()

ماتریس شکل (تعداد_به_نمونه، d). ردیف های نمونه برداری شده