LpNormNormalizingEstimator Classe
Definizione
Importante
Alcune informazioni sono relative alla release non definitiva del prodotto, che potrebbe subire modifiche significative prima della release definitiva. Microsoft non riconosce alcuna garanzia, espressa o implicita, in merito alle informazioni qui fornite.
Normalizza i vettori (scale) nella colonna di input alla norma dell'unità. Il tipo di norma utilizzato può essere specificato dall'utente.
public sealed class LpNormNormalizingEstimator : Microsoft.ML.Transforms.LpNormNormalizingEstimatorBasetype LpNormNormalizingEstimator = class
inherit LpNormNormalizingEstimatorBasePublic NotInheritable Class LpNormNormalizingEstimator
Inherits LpNormNormalizingEstimatorBase- Ereditarietà
-
LpNormNormalizingEstimator
Commenti
Caratteristiche dello strumento di stima
| Questo strumento di stima deve esaminare i dati per eseguire il training dei relativi parametri? | No |
| Tipo di dati della colonna di input | Vettore di Single |
| Tipo di dati della colonna di output | Vettore di Single |
| Esportabile in ONNX | Sì |
L'oggetto risultante LpNormNormalizingTransformer normalizza i vettori nella colonna di input singolarmente ridimensionandoli alla norma dell'unità.
Lasciare che $x$ sia il vettore di input, $n$ le dimensioni del vettore, $L(x)$ la funzione norm selezionata dall'utente. Lasciare che $\mu(x) = \sum_i x_i / n$ sia la media dei valori di vector $x$. Esegue LpNormNormalizingTransformer l'operazione seguente su ogni vettore di input $x$: $y = \frac{x - \mu(x)}{L(x)}$ se l'utente specifica che la media deve essere zero o in caso contrario: $y = \frac{x}{L(x)}$
Esistono quattro tipi di norma che possono essere selezionati dall'utente da applicare al vettore di input $x$. Sono definiti come segue:
- L1: $L_1(x) = \sum_i |x_i|$
- L2: $L_2(x) = \sqrt{\sum_i x_i^2}$
- Infinity: $L_{\infty}(x) = \max_i{|x_i|} $
- StandardDeviation: $L_\sigma(x)$ è definita come deviazione standard degli elementi del vettore di input $x$
Vedere la sezione Vedere anche i collegamenti agli esempi di utilizzo.
Metodi
| Fit(IDataView) |
Normalizza i vettori (scale) nella colonna di input alla norma dell'unità. Il tipo di norma utilizzato può essere specificato dall'utente. (Ereditato da TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
Restituisce l'oggetto SchemaShape dello schema che verrà prodotto dal trasformatore. Usato per la propagazione e la verifica dello schema in una pipeline. (Ereditato da LpNormNormalizingEstimatorBase) |
Metodi di estensione
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Aggiungere un "checkpoint di memorizzazione nella cache" alla catena di stima. Ciò garantisce che gli estimatori downstream vengano sottoposti a training in base ai dati memorizzati nella cache. È utile avere un checkpoint di memorizzazione nella cache prima che i formatori eseseguono più passaggi di dati. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Dato un estimator, restituire un oggetto wrapping che chiamerà un delegato una volta Fit(IDataView) chiamato. È spesso importante che uno strumento di stima restituisca informazioni sull'adattamento, motivo per cui il Fit(IDataView) metodo restituisce un oggetto tipizzato in modo specifico, anziché solo un oggetto generale ITransformer. Tuttavia, allo stesso tempo, IEstimator<TTransformer> vengono spesso formati in pipeline con molti oggetti, quindi potrebbe essere necessario creare una catena di estimatori tramite EstimatorChain<TLastTransformer> dove lo strumento di stima per il quale si vuole ottenere il trasformatore è sepolto in una posizione in questa catena. Per questo scenario, è possibile collegare un delegato che verrà chiamato una volta chiamato fit. |