@@ -161,7 +161,7 @@ GAN 已成功用于数据具有清晰拓扑结构的领域。 它的原始实现
![Maximum and Minimum Normalization](img/image02_14.jpg)
在这里,![Maximum and Minimum Normalization](img/image02_11.jpg)是![Maximum and Minimum Normalization](img/image02_12.jpg)观测值,`O`表示具有所有 O 值的向量,并且函数 min(O)和 max(O)分别表示该序列的最小值和最大值 。
在这里,![Maximum and Minimum Normalization](img/image02_11.jpg)是![Maximum and Minimum Normalization](img/image02_12.jpg)观测值,`O`表示具有所有`0`值的向量,并且函数` min(O)`和`max(O)`分别表示该序列的最小值和最大值。
此转换 API 在数据集的每个元素上执行`map_func`输入。 对于那些使用大熊猫`Dataframe.apply(...)`的人来说,`map(...)`与之非常相似。 作为`map(...)` API 的自变量,它采用了一个应用于数据集每个元素的函数。 该函数继而从输入数据集中获取表示单个元素的`tf.Tensor`对象,并返回新转换的`tf.Tensor`对象。 请注意,输出中元素的顺序与输入数据集的顺序相同:
此转换 API 在数据集的每个元素上执行`map_func`输入。 对于那些使用Pandas`Dataframe.apply(...)`的人来说,`map(...)`与之非常相似。 作为`map(...)` API 的自变量,它采用了一个应用于数据集每个元素的函数。 该函数继而从输入数据集中获取表示单个元素的`tf.Tensor`对象,并返回新转换的`tf.Tensor`对象。 请注意,输出中元素的顺序与输入数据集的顺序相同: