2020年05月_Linky1990

09月 08月 07月 06月 05月 04月 03月 02月 01月

原创 torch flatten 的理解

torch.flatten(t, start_dim=0, end_dim=-1) 的实现原理如下。假设类型为 torch.tensor 的张量 t 的形状如下所示：(2,4,3,5,6)，则 orch.flatten(t, 1, 3).shape 的结果为 (2, 60, 6)。将索引为 start_dim 和 end_dim 之间（包括该位置）的数量相乘，其余位置不变。因为默认 start_dim=0，end_dim=-1，所以 torch.flatten(t) 返回只有一维的数据。...

2020-05-19 17:45:48 24416 1

原创无监督学习之高斯混合模型

假设：每个类都服从特定的统计分布高斯混合模型：一个模型，包含多个高斯分布混合在一起每个样本都属于现有的类，但是隶属度不同GMM 期望最大化算法1、初始化 kkk 个高斯分布（默认 k-means）给 kkk 个高斯分布赋予均值 μ\muμ 和方差 σ2\sigma^2σ22、软聚类计算每个点对于每个类的隶属度E[Z1A]=N(Xi∣μA,σA2)N(Xi∣μA,σA2)+N(Xi∣μB,σB2)E[Z_1A]=\frac{N(X_i|\mu_A,\sigma_A^2)}{N

2020-05-11 11:02:45 901

原创层次聚类法与密度聚类

一、层次聚类 - 单连接聚类（Single Link）Step：1、假设每个点是一个类(1,2,3,4,5,6,7,8)2、计算每个类两两之间的距离3、距离最短的类，合并为同一个类，如果类中有多个，根据不同层次算法选择的距离不同层次聚类算法距离计算sklearn单连接（Single Link）类间最短元素间的距离全连接（Complete Link）类间最远元素间的距离complete平均连接（Average Link）类间两两距离的平均值average

2020-05-11 10:43:45 831