LpNormNormalizingEstimator Classe

Definição

Namespace:

Microsoft.ML.Transforms

Assembly:

Microsoft.ML.Transforms.dll

Pacote:

Microsoft.ML v2.0.0

Normaliza vetores (dimensiona) na coluna de entrada para a norma de unidade. O tipo de norma que é usado pode ser especificado pelo usuário.

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

type LpNormNormalizingEstimator = class
    inherit LpNormNormalizingEstimatorBase

Public NotInheritable Class LpNormNormalizingEstimator
Inherits LpNormNormalizingEstimatorBase

Herança

Object

TrivialEstimator<LpNormNormalizingTransformer>

LpNormNormalizingEstimatorBase

LpNormNormalizingEstimator

Comentários

Características do estimador

Esse estimador precisa examinar os dados para treinar seus parâmetros?	No
Tipo de dados de coluna de entrada	Vetor de Single
Tipo de dados de coluna de saída	Vetor de Single
Exportável para ONNX	Sim

O resultado LpNormNormalizingTransformer normaliza os vetores na coluna de entrada individualmente, recalcando-os para a norma de unidade.

Deixe $x$ ser o vetor de entrada, $n$ o tamanho do vetor, $L(x)$ a função de norma selecionada pelo usuário. Let $\mu(x) = \sum_i x_i/n$ be the mean of the values of vector $x$. A LpNormNormalizingTransformer operação a seguir é executada em cada vetor de entrada $x$: $y = \frac{x - \mu(x)}{L(x)}$ se o usuário especificar que a média deve ser zero ou de outra forma: $y = \frac{x}{L(x)}$

Há quatro tipos de norma que podem ser selecionados pelo usuário a serem aplicados no vetor de entrada $x$. Elas são definidas da seguinte forma:

• 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: $L_\sigma(x)$ é definido como o desvio padrão dos elementos do vetor de entrada $x$

Verifique a seção Consulte Também para obter links para exemplos de uso.

Métodos

Fit(IDataView)	Normaliza vetores (dimensiona) na coluna de entrada para a norma de unidade. O tipo de norma que é usado pode ser especificado pelo usuário. (Herdado de TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	Retorna o SchemaShape esquema que será produzido pelo transformador. Usado para propagação e verificação de esquema em um pipeline. (Herdado de LpNormNormalizingEstimatorBase)

Métodos de Extensão

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

Acrescente um "ponto de verificação de cache" à cadeia de estimativas. Isso garantirá que os estimadores downstream serão treinados em relação aos dados armazenados em cache. É útil ter um ponto de verificação de cache antes dos treinadores que fazem várias passagens de dados.

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

Dado um estimador, retorne um objeto de encapsulamento que chamará um delegado uma vez Fit(IDataView) chamado. Geralmente, é importante que um estimador retorne informações sobre o que estava em forma, e é por isso que o Fit(IDataView) método retorna um objeto especificamente tipado, em vez de apenas um geral ITransformer. No entanto, ao mesmo tempo, IEstimator<TTransformer> muitas vezes são formados em pipelines com muitos objetos, portanto, talvez seja necessário construir uma cadeia de estimadores por meio EstimatorChain<TLastTransformer> de onde o estimador para o qual queremos que o transformador seja enterrado em algum lugar nesta cadeia. Para esse cenário, podemos por meio desse método anexar um delegado que será chamado quando fit for chamado.

Confira também

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