当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python PyTorch pca_lowrank用法及代码示例


本文简要介绍python语言中 torch.pca_lowrank 的用法。

用法:

torch.pca_lowrank(A, q=None, center=True, niter=2)

参数

  • A(Tensor) -大小为 的输入张量

  • q(int,可选的) - 的排名略高。默认情况下,q = min(6, m, n)

  • center(bool,可选的) -如果为真,则将输入张量居中,否则,假设输入居中。

  • niter(int,可选的) -要进行的子空间迭代次数; niter 必须是非负整数,默认为 2。

对低秩矩阵、此类矩阵的批次或稀疏矩阵执行线性主成分分析 (PCA)。

此函数返回一个命名元组 (U, S, V),它是中心矩阵 的奇异值分解的近似最优近似,使得

注意

(U, S, V)与PCA的关系如下:

  • 是具有 m 样本和 n 特征的数据矩阵

  • 列代表主要方向

  • 包含 的特征值,这是在提供center=TrueA 的协方差。

  • matmul(A, V[:, :k]) 将数据投影到前 k 个主成分

注意

与标准 SVD 不同,返回矩阵的大小取决于指定的 rank 和 q 值,如下所示:

  • 是 m x q 矩阵

  • 是 q-vector

  • 是 n x q 矩阵

注意

要获得可重复的结果,请重置伪随机数生成器的种子

参考:

- Nathan Halko, Per-Gunnar Martinsson, and Joel Tropp, Finding
  structure with randomness: probabilistic algorithms for
  constructing approximate matrix decompositions,
  arXiv:0909.4061 [math.NA; math.PR], 2009 (available at
  `arXiv <http://arxiv.org/abs/0909.4061>`_).

相关用法


注:本文由纯净天空筛选整理自pytorch.org大神的英文原创作品 torch.pca_lowrank。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。