安装FIt_SNE总结

最新推荐文章于 2024-05-19 10:07:39 发布
最新推荐文章于 2024-05-19 10:07:39 发布
阅读量498 收藏 1
点赞数 2
分类专栏： 可视化 python linux 文章标签： ubuntu python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45759229/article/details/119521627
版权
python 同时被 3 个专栏收录
101 篇文章 3 订阅
订阅专栏
可视化
22 篇文章 1 订阅
订阅专栏
linux
20 篇文章 0 订阅
订阅专栏

看到这篇文章The art of using t-SNE for single-cell transcriptomics，觉得它的图很好看，就看一下文章的结果，其中涉及到安装FIt-SNE，涉及到tsne的加速，
下面是FIt_SNE的安装总结
我用的是ubuntu20.04，安装的环境是

session_info        1.0.0
-----
Python 3.8.3 (default, Jul  2 2020, 16:21:59) [GCC 7.3.0]
Linux-5.11.0-25-generic-x86_64-with-glibc2.10
-----
Session information updated at 2021-08-08 21:52

Step1

安装`FFTW for python ，步骤如下

conda config --add channels conda-forge #if not already in your channels. Needed for fftw.
conda install cython numpy fftw
pip install fitsne

其实我不知道上面这个是否需要

Step2 安装FFTW

参考博客

在这里插入图片描述

Step3 编译fast_tsne

首先从github上下载FIt_SNE的源代码，并进入该目录，如下
在这里插入图片描述编译成功，可以看到bin文件夹下多了一个文件

在这里插入图片描述这里已经做好了全部的准备工作。

Step4 测试

在这里插入图片描述

我的心永远是冰冰哒
关注
  • 2
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
还在用PCA降维？快学学大牛最爱的t-SNE算法吧（附Python/R代码）
大数据文摘
01-22 7088
大数据文摘作品编译：寒小阳、蒋宝尚、Sheila、赖小娟、钱天培假设你有一个包含数百个特征（变量）的数据集，却对数据所属的领域几乎没有什么了解。 你需要去识别数据中的隐藏模式，探索和分析数据集。不仅如此，你还必须找出数据中是否存在模式－－用以判定数据是有用信号还是噪音？这是否让你感到不知所措？当我第一次遇到这种情况，我简直全身发麻。想知道如何挖掘一个多维数据集？ 这是许多数据科学家经常问的问题之一
t-SNE完整笔记
This is bill的专属博客
01-30 9983
t-SNE(t-distributed stochastic neighbor embedding)是用于降维的一种机器学习算法，是由 Laurens van der Maaten 和 Geoffrey Hinton在08年提出来。此外，t-SNE 是一种非线性降维算法，非常适用于高维数据降维到2维或者3维，进行可视化。t-SNE是由SNE(Stochastic Neighbor Embeddin
加速版插值基t-SNE（FIt-SNE）：数据可视化的新里程碑
最新发布
gitblog_00037的博客
05-19 444
加速版插值基t-SNE（FIt-SNE）：数据可视化的新里程碑 项目地址:https://gitcode.com/KlugerLab/FIt-SNE 项目介绍 t-Stochastic Neighborhood Embedding（简称t-SNE）是一种广泛使用的高维数据降维和可视化方法，其效果卓著。FIt-SNE是t-SNE的一个优化实现，它引入了快速傅里叶变换（FFT）和高效的近邻查找算法，显...
FIT-SNE：基于快速傅里叶变换的基于插值的t-SNE（FIt-SNE）
02-21
基于FFT加速插值的t-SNE（FIt-SNE） 介绍 t随机邻域嵌入（ ）是一种成功的用于降维和可视化高维数据集的方法。 t-SNE的一种流行是使用Barnes-Hut算法在每次梯度下降迭代时近似梯度。 我们加快了实现过程，如下所示： N体模拟的计算：我们不是使用Barnes-Hut逼近N体模拟，而是插值到等距网格上并使用FFT进行卷积，从而显着减少了每次梯度下降迭代时计算梯度的时间。 有关其工作原理的一些直观信息，请参见。 输入相似度的计算：我们不是使用优势点树来计算最近的邻居，而是使用库来近似最近的邻居。 邻居查找是多线程的，以利用具有多个内核的计算机。 与严格的``最近''邻居相比，使用``近''邻居更快，但也具有平滑效果，这对于嵌入某些数据集很有用（请参阅 ）。 如果需要细微的细节（例如，在识别小型集群中），请使用有利点树（在此实现中也是多线程的）。 查看我们的或以获取更
fastTSNE - tSNE的快速并行实现-python
06-18
使用FFT加速插值和近似最近邻居在11分23秒内计算来自小鼠神经系统[Zeisel 2018]的160,796个单细胞转录组的可视化。 openTSNE openTSNE 是 t-Distributed Stochasitc Neighbor Embedding (t-SNE) [1] 的模块化 Python 实现，这是一种用于可视化高维数据集的流行降维算法。 openTSNE 结合了对 t-SNE 算法的最新改进，包括向现有嵌入添加新数据点的能力 [2]、大量速度改进 [3] [4]，使 t-SNE 能够扩展到数百万个数据点和各种改进结果可视化的全局对齐的技巧 [5]。 使用多尺度核技巧嵌入从小鼠视网膜 [6] 获得的 44,808 个单细胞转录组的可视化，以更好地保持簇的全局对齐。 文档用户指南和教程示例：基本、高级、保留全局对齐、嵌入大数据集速度基准安装 openTSNE 需要 Python 3.6 或更高版本才能运行。 Conda openTSNE 可以很容易地从 conda-forge 安装 conda install --channel conda-forge op
基于快速傅里叶变换的加速插值t-SNE（FIt-SNE）-C/C++开发
05-26
基于FFT加速的基于插值的t-SNE（FIt-SNE）简介t随机邻域嵌入（t-SNE）是用于降维和高维数据集可视化的非常成功的方法。 基于FFT加速的基于插值的t-SNE（FIt-SNE）简介t随机邻域嵌入（t-SNE）是用于降维和高维数据集可视化的非常成功的方法。 t-SNE的一种流行实现是使用Barnes-Hut算法在每次梯度下降迭代时近似梯度。 我们按如下所示加速了该实现：N体模拟的计算：与其使用Barnes-Hut近似N体模拟，
matlab最邻近内插代码-pyFIt-SNE:FIT-SNE的Python包装器
05-20
matlab最邻近内插代码基于FFT加速插值的t-SNE（FIt-SNE） 介绍 t随机邻域嵌入（[t-SNE]（））是用于降维和高维数据集可视化的非常成功的方法。 流行的t-SNE使用Barnes-Hut算法在每次梯度下降迭代时近似梯度。 我们加快了实现过程，如下所示： N体模拟的计算：我们不是使用Barnes-Hut逼近N体模拟，而是插值到等距网格上并使用FFT进行卷积，从而大大减少了每次梯度下降迭代时计算梯度的时间。 有关其工作原理的一些直观信息，请参见该帖子。 输入相似度的计算：我们不是使用优势点树来计算最近的邻居，而是使用库来近似最近的邻居。 邻居查找是多线程的，以利用具有多个内核的计算机。 与严格地“最近”邻居相比，使用“近”邻居更快，但也具有平滑效果，这对于嵌入某些数据集可能很有​​用（请参阅参考资料）。 如果需要细微的细节（例如，在识别小型集群中），请使用有利点树（在此实现中也是多线程的）。 查看我们的或了解更多详细信息和一些基准。 特征 此外，此实现还包括以下功能： Early exaggeration: In , we showed that appropriate
python编写的t-sne显示数据_源代码
09-19
总结起来，`t-sne.py`源代码展示了如何利用Python和`sklearn`库实现t-SNE算法，将高维数据降维并可视化。这个过程包括数据加载、预处理、t-SNE模型构建、降维以及结果的二维展示。这对于理解和探索复杂数据集的结构...
Python库 | scikit_learn-0.19.0-cp35-cp35m-win32.whl
02-19
总结来说，scikit-learn是Python机器学习领域不可或缺的一部分，它简化了模型的构建、训练和评估过程，使得开发者能够专注于解决实际问题，而非底层实现细节。无论是初学者还是经验丰富的数据科学家，都能从中受益。
Python库 | scikit_learn-0.20.2-cp35-cp35m-manylinux1_i686.whl
02-19
- **降维**: 主成分分析(PCA)、独立成分分析(ICA)、t-SNE等方法用于减少数据的维度，同时保持其重要特征。 - **预处理**: 数据缩放、标准化、编码等工具，帮助准备机器学习模型输入数据。 - **模型选择与评估**: ...
Python-fastTSNEtSNE的快速并行实现
08-12
使用FFT加速插值和近似最近邻居在11分23秒内计算来自小鼠神经系统[Zeisel 2018]的160,796个单细胞转录组的可视化。
Barnes_Nobles_Automation:包含与 Barnes and Nobles Automation 相关的文件
07-13
一个简单的自动化类，它处理巴恩斯和贵族的原子化脚本
机器学习——无监督学习与预处理
06-20
#### 七、总结 本文介绍了无监督学习中的关键概念和技术，包括数据预处理、特征缩放、降维、特征提取和聚类算法等。这些技术在实际应用中非常重要，能够帮助我们更好地理解数据并构建更有效的模型。通过对这些技术的...
Python库 | FDApy-0.2-py3-none-any.whl
02-17
总结起来，FDApy是Python生态系统中一个强大且易用的流形学习库，为数据科学家和工程师提供了探索高维数据的有力工具。通过掌握FDApy，我们可以更好地理解复杂数据集，挖掘出隐藏在数据深处的信息，从而推动项目和...
通过SketchRNN、PCA和t-SNE从Google QuickDraw数据集中显示矢量图的潜在空间|附源码
weixin_34363171的博客
06-10 242
更多深度文章，请关注：https://yq.aliyun.com/cloud 本文是作者最近发布的Google QuickDraw数据集一系列笔记中的第三部分，使用的最近发布的SketchRNN模型。下面介绍QuickDraw数据集及SketchRNN模型。 QuickDraw数据集是由世界各地1500多万人参与的“快速绘画” AI实验后...
K-means聚类分析，并用t-SNE可视化聚类结果
热门推荐
lbweiwan的博客
09-18 4万+
K-means聚类分析，并用t-SNE可视化聚类结果 k-means算法，即k-均值聚类，也叫快速聚类算法，在最小化误差函数的基础上将数据划分为预定的类数k。 t-SNE属于非线性降维，具体需要研究算法原理的博友可以参考http://www.datakit.cn/blog/2017/02/05/t_sne_full.html和https://blog.csdn.net/hustqb/article...
t-SNE学习笔记
老哥的专栏
07-28 5172
http://www.datakit.cn/blog/2017/02/05/t_sne_full.html 拜读了这位大神的笔记，有些一开始不太明白的地方，写个笔记记下来。 1.1基本原理 SNE是通过仿射(affinitie)变换将数据点映射到概率分布上，主要包括两个步骤： SNE构建一个高维对象之间的概率分布，使得相似的对象有更高的概率被选择，而不相似的对象有较低的概率被选择。 SN
绝对牛逼的t-SNE介绍
super
06-07 3万+
从SNE到t-SNE再到LargeVis，转自http://bindog.github.io/blog/2016/06/04/from-sne-to-tsne-to-largevis
高斯拟合原理_[译]UMAP是如何工作的 & UMAP 与 tSNE的原理对比
weixin_39618173的博客
12-01 831
本文使用 Zhihu On VSCode 创作并发布[译]UMAP是如何工作的 & UMAP 与 tSNE的原理对比转载自：https://towardsdatascience.com/how-exactly-umap-works-13e3040e1668译者：ZelinZang, zelinzang@gmail.com, https://www.zhihu.com/people/zang...
plt.scatter(Y_sne[:, 0], Y_sne[:, 1], s=5., color=plt.cm.Set1(Y_true / 11.))
05-28
这是一行用于绘制散点图的代码，其中Y_sne为二维数据，Y_true为该数据对应的真实标签，用颜色区分不同标签。具体来说，Y_sne[:, 0]表示取出Y_sne中所有行的第一列数据，Y_sne[:, 1]表示取出Y_sne中所有行的第二列数据，s=5.表示散点的大小为5，color=plt.cm.Set1(Y_true / 11.)表示使用Set1配色方案，将Y_true的值除以11作为颜色的索引。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值