算法目的:给定N个向量,要求分成K类
算法过程:随机选K个向量→计算距离(欧几里得/cosine相似度)→对于给定的每个向量归类到距离最小的K向量之一; K类中的每一类,计算归属于该类的平均值,更新当前类的坐标→重新计算距离并归类。理论上一定会收敛
应用场景:对于生成speech token而言,当前语音帧转化最后所属的token,用于后续模型使用
注: 因为无标签,可以认为是非监督学习
算法目的:给定N个向量,要求分成K类
算法过程:随机选K个向量→计算距离(欧几里得/cosine相似度)→对于给定的每个向量归类到距离最小的K向量之一; K类中的每一类,计算归属于该类的平均值,更新当前类的坐标→重新计算距离并归类。理论上一定会收敛
应用场景:对于生成speech token而言,当前语音帧转化最后所属的token,用于后续模型使用
注: 因为无标签,可以认为是非监督学习