Advertisement

dec-tensorflow:Tensorflow实现了“用于聚类分析的无监督深度嵌入”。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
Tensorflow平台上的深度嵌入聚类（DEC）方法及其对应的Tensorflow实现。该项目通过使用>>> pip3 install -r requirements.txt 命令进行安装。训练过程涉及设定合适的批次大小（BATCH_SIZE）和指定GPU索引（GPU_INDEX），以便高效地利用硬件资源。运行训练脚本 train.py 后，系统将生成潜在表示形式，标记为 $z$，并最终导出这些表示形式，用于后续的推理工作。此外，inference.py脚本能够提供这些潜在表示形式 $z$，并将其导出。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • dec-tensorflow: 使用TensorFlow实现“用于聚类分析的无监督深度嵌入”
    优质
    dec-tensorflow项目利用TensorFlow框架实现了一种新颖的无监督深度学习方法，专门设计用来生成适用于聚类分析的高效数据表示。此模型通过自动编码器架构从原始高维数据中提取有意义的低维特征向量，从而增强了复杂数据集中的模式识别能力。 Tensorflow中的深度嵌入聚类（DEC）的TensorFlow实现。 安装： ``` pip3 install -r requirements.txt ``` 训练使用方法: ```python usage: train.py [-h] [--batch-size BATCH_SIZE] [--gpu-index GPU_INDEX] optional arguments: -h, --help 显示帮助信息并退出 --batch-size BATCH_SIZE 训练批次大小 --gpu-index GPU_INDEX GPU索引号 可视化推理： inference.py返回潜在表示形式（$z$），并导出文件为z.t。 ```
     
  • DMTC：深度多任务聚类，用于无监督图像分类
    优质
    DMTC（Deep Multi-Task Clustering）是一种先进的无监督学习技术，专为图像分类设计。它通过同时执行多种相关任务来提高模型在复杂数据集上的性能和鲁棒性，从而实现更精确的聚类结果。 DMTC（深度多任务聚类）能够实现无监督的图像分类。
     
  • DeepCluster: 用于视觉特征无监督学习的深度聚类-源码
    优质
    DeepCluster是一款利用深度聚类技术进行视觉特征无监督学习的开源代码库。它通过大规模数据上的自组织能力，有效提取图像深层次语义信息，促进计算机视觉领域的发展。 我们发布了一种新的自我监督方法SwAV，在ImageNet上使用ResNet-50进行无监督学习的性能仅比有监督的学习低1.2%。该方法结合了在线聚类和多作物数据增强技术。此外，还推出了DeepCluster-v2，这是DeepCluster的一个改进版本（包括更好的数据增强、余弦学习速率表等）。深度集群代码实现了卷积神经网络或卷积网络的无监督训练，并且遵循论文所述的方法。我们还提供了用于评估协议的代码：Pascal VOC分类激活线性分类实例级图像检索。 最后，该代码还包括一个可视化模块，可以用来以可视方式评估学习到的功能的质量。使用此代码需要安装Python版本2.7、SciPy和scikit-learn软件包以及PyTorch版本0.1.8，并且推荐使用CUDA 8.0环境。
     
  • OPTICS_Clustering:基于MATLAB的OPTICS无监督聚类算法实现
    优质
    简介：OPTICS_Clustering是一款在MATLAB环境下运行的工具箱，用于实施OPTICS（Ordering Points To Identify the Clustering Structure）无监督聚类算法。该工具能够有效地发现数据集中的密度可达簇，并且提供了一种可视化的方式去解释不同层次和类型的聚类结构，为用户提供了一个灵活、强大的数据分析平台。 ##OPTICS CLUSTERING## 此 MATLAB 函数根据 Ankerst、Mihael 等人的图 19 中介绍的算法计算一组集群。该论文名为“光学：排序点来识别聚类结构。”发表于 ACM Sigmod 记录，卷 28, 第 2 号，ACM 发行，1999 年。代码由 Alex Kendall 在 2015 年 2 月 18 日编写。 该软件在 GPLv3 下获得许可，请参阅包含的 glpv3.txt 文件。 输入： - 点：要聚类的输入点，每个点是单独的一行，列代表数据维度 - minpts：形成集群所需的最少点数 - epsilon：创建集群的百分比阈值 输出： - SetOfClusters: 包含每个集群开始和结束索引的结构体 - RD: 每个点的可达距离 - CD: 每个点的核心距离 - order: 可达图中点的顺序 依赖关系：此函数需要来自 Michal Daszykowski 的相关代码。
     
  • 监督分类_IDL监督分类_IDL_监督分类
    优质
    本项目聚焦于IDL（Iterative Dictionary Learning）在监督分类中的应用研究，探索如何通过迭代字典学习优化特征表示，提升分类准确率。 利用IDL编程，采用最小距离法对图像进行监督分类。
     
  • 基于三种无监督算法的鸢尾花数据集聚类分析
    优质
    本研究采用K均值、层次聚类及DBSCAN三种无监督学习方法对经典的鸢尾花数据集进行深入的聚类分析，探索不同算法在该数据集上的性能与适用性。 使用三种具有代表性的聚类分析算法对鸢尾花数据集进行聚类分析，分别为层次方法、DBSCAN 方法与K-means 方法。接着利用三个评价指标对聚类的结果进行评估，分别是准确度、运行时间以及轮廓系数。此程序包含python代码、实验报告和鸢尾花数据集文件，并且是本人亲手完成的作业并获得高分。在该数据集中，层次方法具有最高的准确度；DBSCAN 方法则拥有最短的运行时间；而层次与 K-means 方法都取得了较高的轮廓系数值。所有资源均为一手资料，确保原创性。
     
  • 无监督深度学习入门基础知识
    优质
    简介：本课程旨在为初学者提供无监督深度学习的基础知识，涵盖自编码器、生成对抗网络等核心概念和技术，帮助学员掌握数据表示学习和特征提取的方法。 无监督深度学习主要包括变分自编码器（VAE）、自动编码器（AE）和生成对抗网络（GAN）。注意原文中的“BM”可能是指变分自编码器（VAE），但通常缩写为“VAE”，而非“BM”。如果指的是其他方法，请根据具体上下文进行确认。
     
  • mall_customers_: 采用KMeans进行无监督聚类学习
    优质
    本项目利用KMeans算法对商场客户数据进行无监督聚类分析，旨在识别并细分不同的顾客群体，为市场营销策略提供支持。 这段代码应用了机器学习技术中的K-means聚类方法。使用的数据来自Kaggle平台。该代码包括数据准备、可视化以及使用kmeans进行聚类的过程，并通过“在群集平方和内”和“Silhouette_score”度量来寻找最佳的聚类数量（即最优的K值）。
     
  • 关于遥感影像的监督分类、非监督分类及其代码实现
    优质
    本项目聚焦于遥感影像分析中的监督与非监督分类方法，包括支持向量机、决策树等监督学习算法及K均值聚类等非监督技术，并提供详尽的Python代码示例。 该文章详细论述了主要的图像分类算法及其C语言实现，并提供了丰富实用的内容，对于遥感图像处理的学习者来说非常有帮助。