LpNormNormalizingEstimator Klasse
Definition
Wichtig
Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.
Normalisiert (Skalen) Vektoren in der Eingabespalte auf die Einheitsnorm. Die Art der verwendeten Norm kann vom Benutzer angegeben werden.
public sealed class LpNormNormalizingEstimator : Microsoft.ML.Transforms.LpNormNormalizingEstimatorBasetype LpNormNormalizingEstimator = class
inherit LpNormNormalizingEstimatorBasePublic NotInheritable Class LpNormNormalizingEstimator
Inherits LpNormNormalizingEstimatorBase- Vererbung
-
LpNormNormalizingEstimator
Hinweise
Schätzeigenschaften
| Muss dieser Schätzer die Daten untersuchen, um seine Parameter zu trainieren? | No |
| Eingabespaltendatentyp | Vektor von Single |
| Ausgabespaltendatentyp | Vektor von Single |
| Exportierbar in ONNX | Yes |
Die resultierenden LpNormNormalizingTransformer normalisiert Vektoren in der Eingabespalte einzeln, indem sie an die Einheitsnorm angepasst werden.
Lassen Sie $x$ der Eingabevektor sein, $n$ die Größe des Vektors, $L(x)$ die vom Benutzer ausgewählte Normfunktion. $\mu(x) = \sum_i x_i / n$ ist der Mittelwert der Werte des Vektors $x$. Der LpNormNormalizingTransformer folgende Vorgang wird für jeden Eingabevektor $x$: $y = \frac{x - \mu(x)}{L(x)}$ ausgeführt, wenn der Benutzer angibt, dass der Mittelwert null oder anderweitig sein soll: $y = \frac{x}{L(x)}$
Es gibt vier Arten von Normen, die vom Benutzer ausgewählt werden können, um auf den Eingabevektor $x$angewendet zu 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: $L_{\infty}(x) = \max_i{|x_i|}$
- StandardDeviation: $L_\sigma(x)$ wird als Standardabweichung der Elemente des Eingabevektors definiert $x$
Im Abschnitt "Siehe auch" finden Sie Links zu Verwendungsbeispielen.
Methoden
| Name | Beschreibung |
|---|---|
| Fit(IDataView) |
Normalisiert (Skalen) Vektoren in der Eingabespalte auf die Einheitsnorm. Die Art der verwendeten Norm kann vom Benutzer angegeben werden. (Geerbt von TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
Gibt das SchemaShape Schema zurück, das vom Transformator erzeugt wird. Wird für die Schemaverteilung und Überprüfung in einer Pipeline verwendet. (Geerbt von LpNormNormalizingEstimatorBase) |
Erweiterungsmethoden
| Name | Beschreibung |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgeschalteten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Zwischenspeicherprüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Geben Sie bei einer Schätzung ein Wrapping-Objekt zurück, das eine Stellvertretung aufruft, sobald Fit(IDataView) sie aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen zu dem, was passt, zurückgeben, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt und nicht nur ein allgemeines ITransformerObjekt zurückgibt. IEstimator<TTransformer> Gleichzeitig werden jedoch oft in Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern bauen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten wollen, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode einen Delegat anfügen, der aufgerufen wird, sobald "Fit" aufgerufen wird. |