LpNormNormalizingEstimator Klasse

Definition

Namespace:

Microsoft.ML.Transforms

Assembly:

Microsoft.ML.Transforms.dll

Paket:

Microsoft.ML v4.0.0-preview.24522.7

Quelle:

GcnTransform.cs

Normalisiert (Skalen) Vektoren in der Eingabespalte in der Einheitsnorm. Der Typ der Norm, die vom Benutzer verwendet wird, kann angegeben werden.

C#

public sealed class LpNormNormalizingEstimator : Microsoft.ML.Transforms.LpNormNormalizingEstimatorBase

Vererbung

Object

TrivialEstimator<LpNormNormalizingTransformer>

LpNormNormalizingEstimatorBase

LpNormNormalizingEstimator

Hinweise

Stimatoreigenschaften

Muss diese Schätzung die Daten untersuchen, um seine Parameter zu trainieren?	No
Eingabespaltendatentyp	Vektor von Single
Ausgabespaltendatentyp	Vektor von Single
Exportierbar in ONNX	Yes

Die resultierende LpNormNormalizingTransformer normalisiert Vektoren in der Eingabespalte einzeln, indem sie sie in die Einheitsnorm ändern.

Lassen Sie $x$ der Eingabevektor sein, $n$ die Größe des Vektors, $L(x)$ die Normfunktion, die vom Benutzer ausgewählt wurde. Lassen Sie $\mu (x)=\sum _i{x}_i/n$ die Mittelwerte des Vektors $x$sein. Der LpNormNormalizingTransformer folgende Vorgang führt bei jedem Eingabevektor $x$: $y=\frac{x-\mu (x)}{l(x)}$, wenn der Benutzer angibt, dass der Mittelwert null sein sollte oder andernfalls: $y=\frac{x}{L(x)}$

Es gibt vier Arten von Norm, die vom Benutzer ausgewählt werden können, um auf Eingabevektor $x$angewendet werden. Sie sind wie folgt definiert:

• L1: $L_1(x)=\sum _i|x_i|$
• L2: $L_2(x)=\sqrt{\sum _i{x}_i^2}$
• Infinity: $L_{\mathrm{\infty }}(x)=\underset{i}{max}|x_i|$
• StandardDeviation: $L_{\sigma }(x)$ wird als Standardabweichung der Elemente des Eingabevektors $x$ definiert.

Überprüfen Sie den Abschnitt "Siehe auch", um Links zu Verwendungsbeispielen zu finden.

Methoden

Fit(IDataView)	Normalisiert (Skalen) Vektoren in der Eingabespalte in der Einheitsnorm. Der Typ der Norm, die vom Benutzer verwendet wird, kann angegeben werden. (Geerbt von TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	Gibt das SchemaShape Schema zurück, das vom Transformator erzeugt wird. Wird für die Schemavermehrung und Überprüfung in einer Pipeline verwendet. (Geerbt von LpNormNormalizingEstimatorBase)

Erweiterungsmethoden

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Fügen Sie einen "Zwischenspeicherpunkt" an die Stimatorkette an. Dadurch wird sichergestellt, dass die nachgelagerten Stimatoren gegen zwischengespeicherte Daten trainiert werden. Es ist hilfreich, einen Cache-Prüfpunkt zu haben, bevor Trainer, die mehrere Daten übergeben.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Geben Sie aufgrund einer Schätzung ein Umbruchobjekt zurück, das einen Stellvertretung aufruft, sobald Fit(IDataView) er aufgerufen wird. Es ist oft wichtig, dass eine Schätzung Informationen zu dem zurückgibt, was passt, weshalb die Fit(IDataView) Methode ein spezifisches typiertes Objekt zurückgibt, anstatt nur ein allgemeines ITransformer. Gleichzeitig IEstimator<TTransformer> werden jedoch oft Pipelines mit vielen Objekten gebildet, sodass wir möglicherweise eine Kette von EstimatorChain<TLastTransformer> Schätzern erstellen müssen, über die der Schätzer, für den wir den Transformator erhalten möchten, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode eine Stellvertretung anfügen, die einmal aufgerufen wird, wenn die Anpassung aufgerufen wird.

Gilt für:

Weitere Informationen

• NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)