diff --git a/docs/tf-1x-dl-cookbook/06.md b/docs/tf-1x-dl-cookbook/06.md
index c271fca1e1bb8bb62369103ee475a13c2fbd91bc..1e7862e411eef91db58f7393207eed5a2890d200 100644
--- a/docs/tf-1x-dl-cookbook/06.md
+++ b/docs/tf-1x-dl-cookbook/06.md
@@ -61,9 +61,9 @@ Examples of gradient
An example of gradient clipping
-解决梯度消失的问题需要一种更复杂的内存模型,该模型可以选择性地忘记先前的状态,只记住真正重要的状态。 考虑下图,输入以 *[0,1]* 中的 *p* 的概率写入存储器 *M* 中,并乘以加权输入。
+解决梯度消失的问题需要一种更复杂的内存模型,该模型可以选择性地忘记先前的状态,只记住真正重要的状态。 考虑下图,输入以`[0,1]`中的概率`p`写入存储器`M`中,并乘以加权输入。
-以类似的方式,以 *[0,1]* 中的 *p* 的概率读取输出,将其乘以加权输出。 还有一种可能性用来决定要记住或忘记的事情:
+以类似的方式,以`[0,1]`中的概率`p`读取输出,将其乘以加权输出。 还有一种可能性用来决定要记住或忘记的事情:
![](img/7b32ca16-e98a-4ab0-b732-215739cc11fc.png)
@@ -77,15 +77,17 @@ LSTM 网络可以控制何时让输入进入神经元,何时记住在上一个
An example of an LSTM cell
-首先,我们需要一个逻辑函数σ(请参见第 2 章,“回归”)来计算介于 0 和 1 之间的值,并控制哪些信息流过 LSTM *门[* 。 请记住,逻辑函数是可微的,因此允许反向传播。 然后,我们需要一个运算符⊗,它采用两个相同维的矩阵并生成另一个矩阵,其中每个元素 *ij* 是原始两个矩阵的元素 *ij* 的乘积。 同样,我们需要一个运算符⊕,它采用两个相同维度的矩阵并生成另一个矩阵,其中每个元素 *ij* 是原始两个矩阵的元素 *ij* 之和。 使用这些基本块,我们考虑时间 i 处的输入 X i ,并将其与上一步中的输出 Y i-1 并置。
+首先,我们需要一个逻辑函数σ(请参见第 2 章,“回归”)来计算介于 0 和 1 之间的值,并控制哪些信息流过 *LSTM 门*。 请记住,逻辑函数是可微的,因此允许反向传播。 然后,我们需要一个运算符`⊗`,它采用两个相同维的矩阵并生成另一个矩阵,其中每个元素`ij`是原始两个矩阵的元素`ij`的乘积。 同样,我们需要一个运算符`⊕`,它采用两个相同维度的矩阵并生成另一个矩阵,其中每个元素`ij`是原始两个矩阵的元素`ij`之和。 使用这些基本块,我们考虑时间`i`处的输入`X[i]`,并将其与上一步中的输出`Y[i-1]`并置。
-方程 *f t =σ(W f 。[y i-1 ,x t ] + b [HTG9 f* 实现了控制激活门 log 的逻辑回归,并用于确定应从*先前*候选值 C i-1 获取多少信息。 传递给下一个候选值 C i (此处 *W f* 和 *b f* 矩阵和用于 logistic 回归的偏差。)如果 logistic 输出为 1,则表示*不要忘记*先前的单元格状态 C i-1; 如果输出 0, 这将意味着*忘记*先前的单元状态 C i-1 。(0,1)中的任何数字都将表示要传递的信息量。
+方程`f[t] = σ(W[f] · [y[i-1], x[t]] + b[f])`实现了控制激活门`⊗`的逻辑回归,并用于确定应从*先前*候选值`C[i-1]`获取多少信息。 传递给下一个候选值`C[i]`(此处`W[f]`和`b[f]`矩阵和用于 logistic 回归的偏差)。如果 logistic 输出为 1,则表示*不要忘记*先前的单元格状态`C[i-1]`;如果输出 0, 这将意味着*忘记*先前的单元状态`C[i-1]`。`(0, 1)`中的任何数字都将表示要传递的信息量。
-然后我们有两个方程: *s i =σ(W s [Y i-1 ,x i ] + b s* ),用于通过 control 控制多少信息*Ĉ i = tanh(W C 。[Y 应该将*当前*单元产生的 i-1 ,x i + b *c** 根据上图中表示的方案,通过运算符来获得下一个候选值 C i 。
+然后我们有两个方程:`s[i] = σ(W[s] · [Y[i-1], x[i]] + b[s])`,用于通过`⊗`控制由当前单元产生的多少信息(`Ĉ[i] = tanh(W [C] · [Y[i-1], X[i] + b[c])`)应该通过`⊕`运算符添加到下一个候选值`C[i]`中,根据上图中表示的方案。
-为了实现与运算符⊕和 discussed 讨论的内容,我们需要另一个方程,其中实际的和+和乘法*发生: *C i = f t * C i-1 + s i *Ĉ i*
+为了实现与运算符`⊕`和`⊗`所讨论的内容,我们需要另一个方程,其中进行实际的加法`+`和乘法`*`:`C[i] = f[t] * C[i-1] + s[i] * Ĉ[i]`
-最后,我们需要确定当前单元格的哪一部分应发送到 *Y i* 输出。 这很简单:我们再进行一次逻辑回归方程,然后通过⊗运算来控制应使用哪一部分候选值输出。 在这里,有一点值得关注,使用 *tanh* 函数将输出压缩为[-1,1]。 最新的步骤由以下公式描述:![](img/3ee358ac-f71a-4d03-b74c-c170783a49fd.png)
+最后,我们需要确定当前单元格的哪一部分应发送到`Y[i]`输出。 这很简单:我们再进行一次逻辑回归方程,然后通过`⊗`运算来控制应使用哪一部分候选值输出。 在这里,有一点值得关注,使用 *tanh* 函数将输出压缩为`[-1, 1]`。 最新的步骤由以下公式描述:
+
+![](img/3ee358ac-f71a-4d03-b74c-c170783a49fd.png)
现在,我了解到这看起来像很多数学运算,但有两个好消息。 首先,如果您了解我们想要实现的目标,那么数学部分并不是那么困难。 其次,您可以将 LSTM 单元用作标准 RNN 单元的黑盒替代,并立即获得解决梯度消失问题的好处。 因此,您实际上不需要了解所有数学知识。 您只需从库中获取 TensorFlow LSTM 实现并使用它即可。
@@ -107,11 +109,11 @@ Examples of Standard LSTM, PeepHole LSTM, and GRU
An example of RNN sequences as seen in http://karpathy.github.io/2015/05/21/rnn-effectiveness/
-机器翻译是输入和输出中不同步序列的一个示例:网络将输入文本作为序列读取,在读取全文之后,*会输出目标语言。*
+机器翻译是输入和输出中不同步序列的一个示例:网络将输入文本作为序列读取,在读取全文之后,*会输出目标语言*。
视频分类是输入和输出中同步序列的示例:视频输入是帧序列,并且对于每个帧,输出中都提供了分类标签。
-如果您想了解有关 RNN 有趣应用的更多信息,则必须阅读 Andrej Karpathy [发布的博客](http://karpathy.github.io/2015/05/21/rnn-effectiveness/)。 他训练了网络,以莎士比亚的风格撰写论文(用 Karpathy 的话说:*几乎不能从实际的莎士比亚*中识别出这些样本),撰写有关虚构主题的现实 Wikipedia 文章,撰写关于愚蠢和不现实问题的现实定理证明( 用 Karpathy 的话:*更多的幻觉代数几何*),并写出现实的 Linux 代码片段(用 Karpathy 的话:t *,他首先建模逐个字符地列举 GNU 许可证,其中包括一些示例,然后生成 一些宏,然后深入研究代码*)。
+如果您想了解有关 RNN 有趣应用的更多信息,则必须阅读 Andrej Karpathy [发布的博客](http://karpathy.github.io/2015/05/21/rnn-effectiveness/)。 他训练了网络,以莎士比亚的风格撰写论文(用 Karpathy 的话说:*几乎*不能从实际的莎士比亚中识别出这些样本),撰写有关虚构主题的现实 Wikipedia 文章,撰写关于愚蠢和不现实问题的现实定理证明(用 Karpathy 的话:*更多的幻觉代数几何*),并写出现实的 Linux 代码片段(用 Karpathy 的话:*他首先建模逐个字符地列举 GNU 许可证,其中包括一些示例,然后生成一些宏,然后深入研究代码*)。
以下示例摘自[这个页面](http://karpathy.github.io/2015/05/21/rnn-effectiveness/):
@@ -123,7 +125,7 @@ An example of text generated with RNNs
序列到序列(seq2seq)是 RNN 的一种特殊类型,已成功应用于神经机器翻译,文本摘要和语音识别中。 在本食谱中,我们将讨论如何实现神经机器翻译,其结果与 [Google 神经机器翻译系统](https://research.googleblog.com/2016/09/a-neural-network-for-machine.html)。 关键思想是输入整个文本序列,理解整个含义,然后将翻译输出为另一个序列。 读取整个序列的想法与以前的体系结构大不相同,在先前的体系结构中,将一组固定的单词从一种源语言翻译成目标语言。
-本节的灵感来自 [Minh-Thang Luong](https://github.com/lmthang/thesis/blob/master/thesis.pdf) 的 2016 年博士学位论文*神经机器翻译* ])。 第一个关键概念是编码器-解码器体系结构的存在,其中编码器将源句子转换为代表含义的向量。 然后,此向量通过解码器以产生翻译。 编码器和解码器都是 RNN,它们可以捕获语言中的长期依赖关系,例如性别协议和语法结构,而无需先验地了解它们,并且不需要跨语言进行 1:1 映射。 这是一种强大的功能,可实现非常流畅的翻译:
+本节的灵感来自 [Minh-Thang Luong](https://github.com/lmthang/thesis/blob/master/thesis.pdf) 的 2016 年博士学位论文*神经机器翻译*)。 第一个关键概念是编码器-解码器体系结构的存在,其中编码器将源句子转换为代表含义的向量。 然后,此向量通过解码器以产生翻译。 编码器和解码器都是 RNN,它们可以捕获语言中的长期依赖关系,例如性别协议和语法结构,而无需先验地了解它们,并且不需要跨语言进行 1:1 映射。 这是一种强大的功能,可实现非常流畅的翻译:
![](img/7af9de06-f5cd-4edc-a793-76ad408c579b.png)
@@ -144,7 +146,7 @@ An example of sequence models for NMT as seen in https://github.com/lmthang/thes
* RNN 可以具有一个嵌入层,该层将单词映射到一个嵌入空间中,在该空间中相似的单词恰好被映射得非常近。
* RNNs 可以使用简单的或者复发的细胞,或 LSTM,或窥视孔 LSTM,或越冬。
-仍然参考博士学位论文[神经机器翻译](https://github.com/lmthang/thesis/blob/master/thesis.pdf),我们可以使用嵌入层来映射 将输入语句放入嵌入空间。 然后,有两个 RNN *粘在一起*-源语言的编码器和目标语言的解码器。 如您所见,存在多个隐藏层,并且有两个流程:前馈垂直方向连接这些隐藏层,水平方向是将知识从上一步转移到下一层的递归部分:
+仍然参考博士学位论文[神经机器翻译](https://github.com/lmthang/thesis/blob/master/thesis.pdf),我们可以使用嵌入层来映射 将输入语句放入嵌入空间。 然后,有两个 RNN *粘在一起*——源语言的编码器和目标语言的解码器。 如您所见,存在多个隐藏层,并且有两个流程:前馈垂直方向连接这些隐藏层,水平方向是将知识从上一步转移到下一层的递归部分:
![](img/45216119-cbfa-47f0-9080-b6256eefb995.png)
@@ -295,7 +297,7 @@ An example of BLEU metric in Tensorboard
# 神经机器翻译-推理 seq2seq RNN
-在此配方中,我们使用先前配方的结果将源语言转换为目标语言。 这个想法非常简单:给源语句提供两个组合的 RNN(编码器+解码器)作为输入。 句子一结束,解码器将发出 logit 值,我们*贪婪地*发出与最大值关联的单词。 例如,从解码器发出单词 *moi* 作为第一个令牌,因为该单词具有最大 logit 值。 之后,会发出单词 *suis* ,依此类推:
+在此配方中,我们使用先前配方的结果将源语言转换为目标语言。 这个想法非常简单:给源语句提供两个组合的 RNN(编码器+解码器)作为输入。 句子一结束,解码器将产生对率值,我们*贪婪地*产生与最大值关联的单词。 例如,从解码器产生单词`moi`作为第一个令牌,因为该单词具有最大对率值。 之后,会产生单词`suis`,依此类推:
![](img/7c5d2780-428a-40ef-9016-4487daf95aa4.jpg)
@@ -303,9 +305,9 @@ An example of sequence models for NMT with probabilities as seen in https://gith
使用解码器的输出有多种策略:
-* **贪婪**:发出与最大 logit 对应的字
-* **采样**:通过对 logits 发出的 logit 进行采样来发出单词
-* **波束搜索**:一个以上的预测,因此创建了可能的扩展树
+* **贪婪**:产生与最大对率对应的字
+* **采样**:通过对对率产生的对率进行采样来产生单词
+* **集束搜索**:一个以上的预测,因此创建了可能的扩展树
# 怎么做...
@@ -341,14 +343,14 @@ python -m nmt.nmt \
# 这个怎么运作...
-将两个 RNN *打包在一起*,以形成编码器-解码器 RNN 网络。 解码器发出 logit,然后将其贪婪地转换为目标语言的单词。 例如,此处显示了从越南语到英语的自动翻译:
+将两个 RNN *打包在一起*,以形成编码器-解码器 RNN 网络。 解码器产生 logit,然后将其贪婪地转换为目标语言的单词。 例如,此处显示了从越南语到英语的自动翻译:
* **用英语输入的句子**:小时候,我认为朝鲜是世界上最好的国家,我经常唱歌&。 我们没有什么可嫉妒的。
* **翻译成英语的输出句子**:当我非常好时,我将去了解最重要的事情,而我不确定该说些什么。
# 您只需要关注-seq2seq RNN 的另一个示例
-在本食谱中,我们介绍了**注意**方法,这是神经网络翻译的最新解决方案。 Dzmitry Bahdanau,Kyunghyun Cho 和 Yoshua Bengio(ICLR,2015,https:// arxiv。 org / abs / 1409.0473),它包括在编码器和解码器 RNN 之间添加其他连接。 实际上,仅将解码器与编码器的最新层连接会带来信息瓶颈,并且不一定允许通过先前的编码器层获取的信息通过。 下图说明了采用的解决方案:
+在本食谱中,我们介绍了[**注意**方法](https://arxiv.org/abs/1409.0473)(Dzmitry Bahdanau,Kyunghyun Cho 和 Yoshua Bengio,ICLR 2015),这是神经网络翻译的最新解决方案。 ,它包括在编码器和解码器 RNN 之间添加其他连接。 实际上,仅将解码器与编码器的最新层连接会带来信息瓶颈,并且不一定允许通过先前的编码器层获取的信息通过。 下图说明了采用的解决方案:
![](img/536457c9-7581-40ca-b61c-f38683038302.jpg)
@@ -364,7 +366,7 @@ An example of attention model for NMT as seen in https://github.com/lmthang/thes
我们按以下步骤进行:
-1. 使用库`tf.contrib.seq2seq.LuongAttention`定义注意力机制,该库实现了 Minh-Thang Luong,Hieu Pham 和 Christopher D. Manning(2015 年)在*基于注意力的神经机器翻译有效方法*中定义的注意力模型。 ):
+1. 使用库`tf.contrib.seq2seq.LuongAttention`定义注意力机制,该库实现了 Minh-Thang Luong,Hieu Pham 和 Christopher D. Manning(2015 年)在*基于注意力的神经机器翻译有效方法*中定义的注意力模型:
```py
# attention_states: [batch_size, max_time, num_units]
diff --git a/docs/tf-1x-dl-cookbook/07.md b/docs/tf-1x-dl-cookbook/07.md
index c22db99c9b4f701346220727f406f130cd537a1e..545256094e8f089e6f03db0f6cdfedd8b963a50c 100644
--- a/docs/tf-1x-dl-cookbook/07.md
+++ b/docs/tf-1x-dl-cookbook/07.md
@@ -21,17 +21,17 @@
# 主成分分析
-**主成分分析**(**PCA**)是用于降维的最流行的多元统计技术。 它分析了由几个因变量组成的训练数据,这些因变量通常是相互关联的,并以一组称为**主成分**的新正交变量的形式从训练数据中提取重要信息。 我们可以使用两种方法执行 PCA-**本征分解**或**奇异值分解**(**SVD**)。
+**主成分分析**(**PCA**)是用于降维的最流行的多元统计技术。 它分析了由几个因变量组成的训练数据,这些因变量通常是相互关联的,并以一组称为**主成分**的新正交变量的形式从训练数据中提取重要信息。 我们可以使用两种方法执行 PCA -- **特征值分解**或**奇异值分解**(**SVD**)。
# 做好准备
-PCA 将 *n* 维输入数据还原为 *r* 维输入数据,其中 *r* < *n* 。 简单来说,PCA 涉及平移原点并执行轴的旋转,以使其中一个轴(主轴)与数据点的差异最小。 通过执行此变换,然后以高方差落下(删除)正交轴,可以从原始数据集中获得降维数据集。 在这里,我们采用 SVD 方法降低 PCA 尺寸。 考虑 *X* , *n* 维数据, *p* 点 *X* *p* , *n* 。 任何实数( *p* × *n* )矩阵都可以分解为:
+PCA 将`n`维输入数据还原为`r`维输入数据,其中`r < n`。 简单来说,PCA 涉及平移原点并执行轴的旋转,以使其中一个轴(主轴)与数据点的差异最小。 通过执行此变换,然后以高方差落下(删除)正交轴,可以从原始数据集中获得降维数据集。 在这里,我们采用 SVD 方法降低 PCA 尺寸。 考虑`X`,`n`维数据,具有`p`个点`X[p,n]`。 任何实数(`p × n`)矩阵都可以分解为:
-*X = U ∑ V T*
+`X = U ∑ V^T`
-在这里, *U* 和 *V* 是正交矩阵(即 *UU T* *=* *V T .V = 1* )的大小分别为 *p* × *n* 和 *n* × *n* 。 *∑* 是大小为 *n* × *n* 的对角矩阵。 接下来,将 *∑* 矩阵切成 *r* 列,得到 *∑ r* ; 使用 *U* 和 *V* ,我们找到了降维数据点 *Y r* :
+在这里, `U`和`V`是正交矩阵(即`U · U^T = V^T · V = E`),大小分别为`p × n`和`n × n`。 `∑`是大小为`n × n`的对角矩阵。 接下来,将`∑`矩阵切成`r`列,得到`∑[r]`; 使用`U`和`V`,我们找到了降维数据点`Y[r]`:
-*Y r = U∑ r*
+`Y[r] = U ∑[r]`
[此处提供的代码已从以下 GitHub 链接进行改编](https://github.com/eliorc/Medium/blob/master/PCA-tSNE-AE.ipynb)
@@ -85,7 +85,7 @@ def fit(self):
self._u, self._singular_values, self._sigma = session.run([u, singular_values, sigma], feed_dict={self._X: self._data})
```
-5. 现在我们有了 sigma 矩阵,正交 U 矩阵和奇异值,我们通过定义`reduce`方法来计算降维数据。 该方法需要两个输入参数之一`n_dimensions`或`keep_info`。 `n_dimensions`参数表示我们要保留在降维数据集中的维数。 另一方面,`keep_info`参数确定我们要保留的信息的百分比(值为 0.8 表示我们要保留 80%的原始数据)。 该方法创建一个切片 Sigma 矩阵的图,并计算降维数据集 *Y r* :
+5. 现在我们有了 sigma 矩阵,正交 U 矩阵和奇异值,我们通过定义`reduce`方法来计算降维数据。 该方法需要两个输入参数之一`n_dimensions`或`keep_info`。 `n_dimensions`参数表示我们要保留在降维数据集中的维数。 另一方面,`keep_info`参数确定我们要保留的信息的百分比(值为 0.8 表示我们要保留 80%的原始数据)。 该方法创建一个切片 Sigma 矩阵的图,并计算降维数据集`Y[r]`:
```py
def reduce(self, n_dimensions=None, keep_info=None):
@@ -189,13 +189,13 @@ with tf.Session() as sess:
顾名思义,k 均值聚类是一种对数据进行聚类的技术,即将数据划分为指定数量的数据点。 这是一种无监督的学习技术。 它通过识别给定数据中的模式来工作。 还记得哈利波特成名的分拣帽子吗? 书中的工作是聚类-将新生(未标记)的学生分成四个不同的类:格兰芬多,拉文克劳,赫奇帕奇和斯莱特林。
-人类非常擅长将对象分组在一起。 聚类算法试图为计算机提供类似的功能。 有许多可用的聚类技术,例如“层次”,“贝叶斯”或“局部”。 k 均值聚类属于部分聚类; 它将数据划分为 *k* 簇。 每个群集都有一个中心,称为**重心**。 群集数 *k* 必须由用户指定。
+人类非常擅长将对象分组在一起。 聚类算法试图为计算机提供类似的功能。 有许多可用的聚类技术,例如“层次”,“贝叶斯”或“局部”。 k 均值聚类属于部分聚类; 它将数据划分为`k`簇。 每个簇都有一个中心,称为**重心**。 簇数`k`必须由用户指定。
k 均值算法以以下方式工作:
-1. 随机选择 *k* 个数据点作为初始质心(集群中心)
+1. 随机选择`k`个数据点作为初始质心(集群中心)
2. 将每个数据点分配给最接近的质心; 可以找到接近度的不同方法,最常见的是欧几里得距离
-3. 使用当前群集成员资格重新计算质心,以使平方和的距离减小
+3. 使用当前簇成员资格重新计算质心,以使平方和的距离减小
4. 重复最后两个步骤,直到达到收敛
# 做好准备
@@ -293,7 +293,7 @@ def input_fn():
return tf.constant(np.array(x), tf.float32, x.shape),None
```
-5. 现在我们使用`KmeansClustering`类; 在这里,我们已经知道类的数量为 3,因此我们将`num_clusters=3`设置为。 通常,我们不知道集群的数量。 在这种情况下,常用的方法是**肘法**:
+5. 现在我们使用`KmeansClustering`类; 在这里,我们已经知道类的数量为 3,因此我们将`num_clusters=3`设置为。 通常,我们不知道集群的数量。 在这种情况下,常用的方法是**肘部法则**:
```py
kmeans = tf.contrib.learn.KMeansClustering(num_clusters=3, relative_tolerance=0.0001, random_seed=2)
@@ -333,39 +333,39 @@ ScatterPlot(x[:,0], x[:,1], assignments, clusters)
![](img/51154394-5bbd-4d1d-9c74-31c9bc39a862.png)
-**+** 标记是三个簇的质心。
+`+`标记是三个簇的质心。
# 这个怎么运作...
-前面的配方使用 TensorFlow 的 k 均值聚类估计器将给定数据聚类为聚类。 在这里,由于我们知道集群的数量,我们决定保留`num_clusters=3`,但是在大多数情况下,如果使用未标记的数据,则永远无法确定存在多少集群。 可以使用弯头法确定最佳簇数。 该方法基于以下原则:我们应选择能减少**平方误差和**(**SSE**)距离的簇数。 如果 *k* 是簇数,则随着 *k* 增加,SSE 减少,SSE = 0; 当 *k* 等于数据点数时,每个点都是其自己的簇。 我们想要一个 *k* 较低的值,以使 SSE 也较低。 在 TensorFlow 中,我们可以使用`KmeansClustering`类中定义的`score()`方法找到 SSE; 该方法将距离的总和返回到最近的聚类:
+前面的配方使用 TensorFlow 的 k 均值聚类估计器将给定数据聚类为聚类。 在这里,由于我们知道集群的数量,我们决定保留`num_clusters=3`,但是在大多数情况下,如果使用未标记的数据,则永远无法确定存在多少集群。 可以使用弯头法确定最佳簇数。 该方法基于以下原则:我们应选择能减少**平方误差和**(**SSE**)距离的簇数。 如果`k`是簇数,则随着`k`增加,SSE 减少,SSE = 0; 当`k`等于数据点数时,每个点都是其自己的簇。 我们想要一个`k`较低的值,以使 SSE 也较低。 在 TensorFlow 中,我们可以使用`KmeansClustering`类中定义的`score()`方法找到 SSE; 该方法将距离的总和返回到最近的聚类:
```py
sum_distances = kmeans.score(input_fn=input_fn, steps=100)
```
-对于虹膜数据,如果我们针对不同的 *k* 值绘制 SSE,则可以看到对于 *k = 3* 而言,SSE 的方差最高; 之后,它开始减小,因此肘点为 *k = 3* :
+对于虹膜数据,如果我们针对不同的`k`值绘制 SSE,则可以看到对于`k = 3`而言,SSE 的方差最高; 之后,它开始减小,因此肘点为`k = 3`:
![](img/fc2034f7-b673-471b-8ba0-8b1fdb58810c.png)
# 还有更多...
-K 均值聚类非常流行,因为它快速,简单且健壮。 它还有一些缺点:最大的缺点是用户必须指定群集的数量。 其次,该算法不能保证全局最优。 第三,它对异常值非常敏感。
+K 均值聚类非常流行,因为它快速,简单且健壮。 它还有一些缺点:最大的缺点是用户必须指定簇的数量。 其次,该算法不能保证全局最优。 第三,它对异常值非常敏感。
# 也可以看看
-* Kanungo,Tapas 等人。 *一种有效的 k 均值聚类算法:分析和实现*。 IEEE 关于模式分析和机器智能的交易 24.7(2002):881-892。
+* `Kanungo, Tapas, et al. An efficient k-means clustering algorithm: Analysis and implementation. IEEE transactions on pattern analysis and machine intelligence 24.7 (2002): 881-892.`
-* 奥尔特加,华金·佩雷斯(JoaquínPérez)等人。 *关于 k 均值算法的研究问题:使用 matlab* 的实验性试验。 CEUR 研讨会论文集:语义网和新技术。
+* `Ortega, Joaquín Pérez, et al. Research issues on k-means algorithm: An experimental trial using matlab. CEUR Workshop Proceedings: Semantic Web and New Technologies.`
*
-* 陈可 *关于度量和欧几里得空间中 k 均值和 k 均值聚类的核心集及其应用*。 SIAM 计算学报 39.3(2009):923-947。
+* `Chen, Ke. On coresets for k-median and k-means clustering in metric and euclidean spaces and their applications. SIAM Journal on Computing 39.3 (2009): 923-947.`
*
# 自组织图
-**自组织地图**(**SOM**),有时也称为 **Kohonen 网络**或**获胜者获得所有单位**(**WTU**),是一种非常特殊的神经网络,受人脑的独特特征驱动。 在我们的大脑中,不同的感觉输入以拓扑有序的方式表示。 与其他神经网络不同,神经元并非都通过权重相互连接,而是会影响彼此的学习。 SOM 的最重要方面是神经元以拓扑方式表示学习的输入。
+**自组织地图**(**SOM**),有时也称为 **Kohonen 网络**或**胜者通吃单元**(**WTU**),是一种非常特殊的神经网络,受人脑的独特特征驱动。 在我们的大脑中,不同的感觉输入以拓扑有序的方式表示。 与其他神经网络不同,神经元并非都通过权重相互连接,而是会影响彼此的学习。 SOM 的最重要方面是神经元以拓扑方式表示学习的输入。
在 SOM 中,神经元通常放置在(1D 或 2D)晶格的节点上。 更大的尺寸也是可能的,但实际上很少使用。 晶格中的每个神经元都通过权重矩阵连接到所有输入单元。 在这里,您可以看到一个具有 3 x 4(12 个神经元)和七个输入的 SOM。 为了清楚起见,仅显示将所有输入连接到一个神经元的权重向量。 在这种情况下,每个神经元将具有七个元素,从而形成大小为(12 x 7)的组合权重矩阵: