MatrixSolveLs

सार्वजनिक अंतिम वर्ग मैट्रिक्ससॉल्वएल

एक या अधिक रैखिक न्यूनतम-वर्ग समस्याओं को हल करता है।

`मैट्रिक्स` आकार का एक टेंसर है `[..., एम, एन]` जिसके आंतरिकतम 2 आयाम `[एम, एन]` आकार के वास्तविक या जटिल मैट्रिक्स बनाते हैं। `Rhs` `मैट्रिक्स` और आकार `[..., M, K]` के समान प्रकार का एक टेंसर है। आउटपुट एक टेंसर आकार `[..., N, K]` है जहां प्रत्येक आउटपुट मैट्रिक्स प्रत्येक समीकरण `matrix[..., :, :]` * `आउटपुट[..., :, :] को हल करता है ` = `rhs[..., :, :]` न्यूनतम वर्ग अर्थ में।

हम बैच में (जटिल) मैट्रिक्स और दाईं ओर के लिए निम्नलिखित नोटेशन का उपयोग करते हैं:

`मैट्रिक्स`=\\(A \in \mathbb{C}^{m \times n}\\), `rhs`=\\(B \in \mathbb{C}^{m \times k}\\), `आउटपुट`=\\(X \in \mathbb{C}^{n \times k}\\), `l2_regularizer`=\\(\lambda \in \mathbb{R}\\).

यदि `तेज़` `सत्य` है, तो समाधान की गणना चोलेस्की अपघटन का उपयोग करके सामान्य समीकरणों को हल करके की जाती है। विशेष रूप से, यदि \\(m \ge n\\) तब \\(X = (A^H A + \lambda I)^{-1} A^H B\\), जो न्यूनतम-वर्ग समस्या को हल करता है \\(X = \mathrm{argmin}_{Z \in \Re^{n \times k} } ||A Z - B||_F^2 + \lambda ||Z||_F^2\\). अगर \\(m \lt n\\) फिर `आउटपुट` की गणना \ के रूप में की जाती है\(X = A^H (A A^H + \lambda I)^{-1} B\\), जो (के लिए \\(\lambda = 0\\)) कम-निर्धारित रैखिक प्रणाली का न्यूनतम-मानक समाधान है, अर्थात \\(X = \mathrm{argmin}_{Z \in \mathbb{C}^{n \times k} } ||Z||_F^2 \\), का विषय है \\(A Z = B\\). ध्यान दें कि तेज़ पथ केवल संख्यात्मक रूप से स्थिर होता है जब \\(A\\) संख्यात्मक रूप से पूर्ण रैंक है और इसकी एक शर्त संख्या है \\(\mathrm{cond}(A) \lt \frac{1}{\sqrt{\epsilon_{mach} } }\\) या \\(\lambda\\) पर्याप्त रूप से बड़ा है.

यदि `तेज़` `गलत` है तो संख्यात्मक रूप से मजबूत पूर्ण ऑर्थोगोनल अपघटन पर आधारित एल्गोरिदम का उपयोग किया जाता है। यह न्यूनतम-मानदंड न्यूनतम-वर्ग समाधान की गणना करता है, तब भी जब \\(A\\) रैंक की कमी है. यह पथ आमतौर पर तेज़ पथ की तुलना में 6-7 गुना धीमा है। यदि `fast` `False` है तो `l2_regularizer` को अनदेखा कर दिया जाता है।

नेस्टेड क्लासेस

कक्षा मैट्रिक्ससॉल्वएलएस.विकल्प MatrixSolveLs के लिए वैकल्पिक विशेषताएँ

स्थिरांक

डोरी OP_NAME इस ऑप का नाम, जैसा कि TensorFlow कोर इंजन द्वारा जाना जाता है

सार्वजनिक तरीके

आउटपुट <T>
आउटपुट के रूप में ()
टेंसर का प्रतीकात्मक हैंडल लौटाता है।
स्थिर <T, TType > MatrixSolveLs <T> का विस्तार करता है
बनाएं ( स्कोप स्कोप, ऑपरेंड <T> मैट्रिक्स, ऑपरेंड <T> rhs, ऑपरेंड < TFloat64 > l2Regularizer, विकल्प... विकल्प)
एक नए मैट्रिक्ससॉल्वल्स ऑपरेशन को लपेटकर एक क्लास बनाने की फ़ैक्टरी विधि।
स्थैतिक मैट्रिक्ससॉल्वएलएस.विकल्प
तेज़ (बूलियन तेज़)
आउटपुट <T>
आउटपुट ()
आकार `[..., N, K]` है।

विरासत में मिली विधियाँ

स्थिरांक

सार्वजनिक स्थैतिक अंतिम स्ट्रिंग OP_NAME

इस ऑप का नाम, जैसा कि TensorFlow कोर इंजन द्वारा जाना जाता है

स्थिर मान: "MatrixSolveLs"

सार्वजनिक तरीके

सार्वजनिक आउटपुट <T> asOutput ()

टेंसर का प्रतीकात्मक हैंडल लौटाता है।

TensorFlow संचालन के इनपुट किसी अन्य TensorFlow ऑपरेशन के आउटपुट हैं। इस पद्धति का उपयोग एक प्रतीकात्मक हैंडल प्राप्त करने के लिए किया जाता है जो इनपुट की गणना का प्रतिनिधित्व करता है।

सार्वजनिक स्थैतिक मैट्रिक्सSolveLs <T> बनाएं ( स्कोप स्कोप, ऑपरेंड <T> मैट्रिक्स, ऑपरेंड <T> rhs, ऑपरेंड < TFloat64 > l2Regularizer, विकल्प... विकल्प)

एक नए मैट्रिक्ससॉल्वल्स ऑपरेशन को लपेटकर एक क्लास बनाने की फ़ैक्टरी विधि।

पैरामीटर
दायरा वर्तमान दायरा
मैट्रिक्स आकार `[..., M, N]` है।
आरएचएस आकार `[..., M, K]` है।
एल2नियमितकर्ता अदिश टेंसर.

विकल्प वैकल्पिक गुण मान रखता है
रिटर्न
  • MatrixSolveLs का एक नया उदाहरण

सार्वजनिक स्थैतिक MatrixSolveLs.Options तेज़ (बूलियन तेज़)

सार्वजनिक आउटपुट <T> आउटपुट ()

आकार `[..., N, K]` है।

,
सार्वजनिक अंतिम वर्ग मैट्रिक्ससॉल्वएल

एक या अधिक रैखिक न्यूनतम-वर्ग समस्याओं को हल करता है।

`मैट्रिक्स` आकार का एक टेंसर है `[..., एम, एन]` जिसके आंतरिकतम 2 आयाम `[एम, एन]` आकार के वास्तविक या जटिल मैट्रिक्स बनाते हैं। `Rhs` `मैट्रिक्स` और आकार `[..., M, K]` के समान प्रकार का एक टेंसर है। आउटपुट एक टेंसर आकार `[..., N, K]` है जहां प्रत्येक आउटपुट मैट्रिक्स प्रत्येक समीकरण `matrix[..., :, :]` * `आउटपुट[..., :, :] को हल करता है ` = `rhs[..., :, :]` न्यूनतम वर्ग अर्थ में।

हम बैच में (जटिल) मैट्रिक्स और दाईं ओर के लिए निम्नलिखित नोटेशन का उपयोग करते हैं:

`मैट्रिक्स`=\\(A \in \mathbb{C}^{m \times n}\\), `rhs`=\\(B \in \mathbb{C}^{m \times k}\\), `आउटपुट`=\\(X \in \mathbb{C}^{n \times k}\\), `l2_regularizer`=\\(\lambda \in \mathbb{R}\\).

यदि `तेज़` `सत्य` है, तो समाधान की गणना चोल्स्की अपघटन का उपयोग करके सामान्य समीकरणों को हल करके की जाती है। विशेष रूप से, यदि \\(m \ge n\\) तब \\(X = (A^H A + \lambda I)^{-1} A^H B\\), जो न्यूनतम-वर्ग समस्या को हल करता है \\(X = \mathrm{argmin}_{Z \in \Re^{n \times k} } ||A Z - B||_F^2 + \lambda ||Z||_F^2\\). अगर \\(m \lt n\\) फिर `आउटपुट` की गणना \ के रूप में की जाती है\(X = A^H (A A^H + \lambda I)^{-1} B\\), जो (के लिए \\(\lambda = 0\\)) कम-निर्धारित रैखिक प्रणाली का न्यूनतम-मानक समाधान है, अर्थात \\(X = \mathrm{argmin}_{Z \in \mathbb{C}^{n \times k} } ||Z||_F^2 \\), का विषय है \\(A Z = B\\). ध्यान दें कि तेज़ पथ केवल संख्यात्मक रूप से स्थिर होता है जब \\(A\\) संख्यात्मक रूप से पूर्ण रैंक है और इसकी एक शर्त संख्या है \\(\mathrm{cond}(A) \lt \frac{1}{\sqrt{\epsilon_{mach} } }\\) या \\(\lambda\\) पर्याप्त रूप से बड़ा है.

यदि `तेज़` `गलत` है तो संख्यात्मक रूप से मजबूत पूर्ण ऑर्थोगोनल अपघटन पर आधारित एल्गोरिदम का उपयोग किया जाता है। यह न्यूनतम-मानदंड न्यूनतम-वर्ग समाधान की गणना करता है, तब भी जब \\(A\\) रैंक की कमी है. यह पथ आमतौर पर तेज़ पथ की तुलना में 6-7 गुना धीमा है। यदि `fast` `गलत` है तो `l2_regularizer` को नजरअंदाज कर दिया जाता है।

नेस्टेड क्लासेस

कक्षा मैट्रिक्ससॉल्वएलएस.विकल्प MatrixSolveLs के लिए वैकल्पिक विशेषताएँ

स्थिरांक

डोरी OP_NAME इस ऑप का नाम, जैसा कि TensorFlow कोर इंजन द्वारा जाना जाता है

सार्वजनिक तरीके

आउटपुट <T>
आउटपुट के रूप में ()
टेंसर का प्रतीकात्मक हैंडल लौटाता है।
स्थिर <T, TType > MatrixSolveLs <T> का विस्तार करता है
बनाएं ( स्कोप स्कोप, ऑपरेंड <T> मैट्रिक्स, ऑपरेंड <T> rhs, ऑपरेंड < TFloat64 > l2Regularizer, विकल्प... विकल्प)
एक नए मैट्रिक्ससॉल्वल्स ऑपरेशन को लपेटकर एक क्लास बनाने की फ़ैक्टरी विधि।
स्थैतिक मैट्रिक्ससॉल्वएलएस.विकल्प
तेज़ (बूलियन तेज़)
आउटपुट <T>
आउटपुट ()
आकार `[..., N, K]` है।

विरासत में मिली विधियाँ

स्थिरांक

सार्वजनिक स्थैतिक अंतिम स्ट्रिंग OP_NAME

इस ऑप का नाम, जैसा कि TensorFlow कोर इंजन द्वारा जाना जाता है

स्थिर मान: "MatrixSolveLs"

सार्वजनिक तरीके

सार्वजनिक आउटपुट <T> asOutput ()

टेंसर का प्रतीकात्मक हैंडल लौटाता है।

TensorFlow संचालन के इनपुट किसी अन्य TensorFlow ऑपरेशन के आउटपुट हैं। इस पद्धति का उपयोग एक प्रतीकात्मक हैंडल प्राप्त करने के लिए किया जाता है जो इनपुट की गणना का प्रतिनिधित्व करता है।

सार्वजनिक स्थैतिक मैट्रिक्सSolveLs <T> बनाएं ( स्कोप स्कोप, ऑपरेंड <T> मैट्रिक्स, ऑपरेंड <T> rhs, ऑपरेंड < TFloat64 > l2Regularizer, विकल्प... विकल्प)

एक नए मैट्रिक्ससॉल्वल्स ऑपरेशन को लपेटकर एक क्लास बनाने की फ़ैक्टरी विधि।

पैरामीटर
दायरा वर्तमान दायरा
मैट्रिक्स आकार `[..., M, N]` है।
आरएचएस आकार `[..., M, K]` है।
एल2नियमितकर्ता अदिश टेंसर.

विकल्प वैकल्पिक गुण मान रखता है
रिटर्न
  • MatrixSolveLs का एक नया उदाहरण

सार्वजनिक स्थैतिक MatrixSolveLs.Options तेज़ (बूलियन तेज़)

सार्वजनिक आउटपुट <T> आउटपुट ()

आकार `[..., N, K]` है।

,
सार्वजनिक अंतिम वर्ग मैट्रिक्ससॉल्वएल

एक या अधिक रैखिक न्यूनतम-वर्ग समस्याओं को हल करता है।

`मैट्रिक्स` आकार का एक टेंसर है `[..., एम, एन]` जिसके आंतरिकतम 2 आयाम `[एम, एन]` आकार के वास्तविक या जटिल मैट्रिक्स बनाते हैं। `Rhs` `मैट्रिक्स` और आकार `[..., M, K]` के समान प्रकार का एक टेंसर है। आउटपुट एक टेंसर आकार `[..., N, K]` है जहां प्रत्येक आउटपुट मैट्रिक्स प्रत्येक समीकरण `matrix[..., :, :]` * `आउटपुट[..., :, :] को हल करता है ` = `rhs[..., :, :]` न्यूनतम वर्ग अर्थ में।

हम बैच में (जटिल) मैट्रिक्स और दाईं ओर के लिए निम्नलिखित नोटेशन का उपयोग करते हैं:

`मैट्रिक्स`=\\(A \in \mathbb{C}^{m \times n}\\), `rhs`=\\(B \in \mathbb{C}^{m \times k}\\), `आउटपुट`=\\(X \in \mathbb{C}^{n \times k}\\), `l2_regularizer`=\\(\lambda \in \mathbb{R}\\).

यदि `तेज़` `सत्य` है, तो समाधान की गणना चोलेस्की अपघटन का उपयोग करके सामान्य समीकरणों को हल करके की जाती है। विशेष रूप से, यदि \\(m \ge n\\) तब \\(X = (A^H A + \lambda I)^{-1} A^H B\\), जो न्यूनतम-वर्ग समस्या को हल करता है \\(X = \mathrm{argmin}_{Z \in \Re^{n \times k} } ||A Z - B||_F^2 + \lambda ||Z||_F^2\\). अगर \\(m \lt n\\) फिर `आउटपुट` की गणना \ के रूप में की जाती है\(X = A^H (A A^H + \lambda I)^{-1} B\\), जो (के लिए \\(\lambda = 0\\)) कम-निर्धारित रैखिक प्रणाली का न्यूनतम-मानक समाधान है, अर्थात \\(X = \mathrm{argmin}_{Z \in \mathbb{C}^{n \times k} } ||Z||_F^2 \\), का विषय है \\(A Z = B\\). ध्यान दें कि तेज़ पथ केवल संख्यात्मक रूप से स्थिर होता है जब \\(A\\) संख्यात्मक रूप से पूर्ण रैंक है और इसकी एक शर्त संख्या है \\(\mathrm{cond}(A) \lt \frac{1}{\sqrt{\epsilon_{mach} } }\\) या \\(\lambda\\) पर्याप्त रूप से बड़ा है.

यदि `तेज़` `गलत` है तो संख्यात्मक रूप से मजबूत पूर्ण ऑर्थोगोनल अपघटन पर आधारित एल्गोरिदम का उपयोग किया जाता है। यह न्यूनतम-मानदंड न्यूनतम-वर्ग समाधान की गणना करता है, तब भी जब \\(A\\) रैंक की कमी है. यह पथ आमतौर पर तेज़ पथ की तुलना में 6-7 गुना धीमा है। यदि `fast` `False` है तो `l2_regularizer` को अनदेखा कर दिया जाता है।

नेस्टेड क्लासेस

कक्षा मैट्रिक्ससॉल्वएलएस.विकल्प MatrixSolveLs के लिए वैकल्पिक विशेषताएँ

स्थिरांक

डोरी OP_NAME इस ऑप का नाम, जैसा कि TensorFlow कोर इंजन द्वारा जाना जाता है

सार्वजनिक तरीके

आउटपुट <T>
आउटपुट के रूप में ()
टेंसर का प्रतीकात्मक हैंडल लौटाता है।
स्थिर <T, TType > MatrixSolveLs <T> का विस्तार करता है
बनाएं ( स्कोप स्कोप, ऑपरेंड <T> मैट्रिक्स, ऑपरेंड <T> rhs, ऑपरेंड < TFloat64 > l2Regularizer, विकल्प... विकल्प)
एक नए मैट्रिक्ससॉल्वल्स ऑपरेशन को लपेटकर एक क्लास बनाने की फ़ैक्टरी विधि।
स्थैतिक मैट्रिक्ससॉल्वएलएस.विकल्प
तेज़ (बूलियन तेज़)
आउटपुट <T>
आउटपुट ()
आकार `[..., N, K]` है।

विरासत में मिली विधियाँ

स्थिरांक

सार्वजनिक स्थैतिक अंतिम स्ट्रिंग OP_NAME

इस ऑप का नाम, जैसा कि TensorFlow कोर इंजन द्वारा जाना जाता है

स्थिर मान: "MatrixSolveLs"

सार्वजनिक तरीके

सार्वजनिक आउटपुट <T> asOutput ()

टेंसर का प्रतीकात्मक हैंडल लौटाता है।

TensorFlow संचालन के इनपुट किसी अन्य TensorFlow ऑपरेशन के आउटपुट हैं। इस पद्धति का उपयोग एक प्रतीकात्मक हैंडल प्राप्त करने के लिए किया जाता है जो इनपुट की गणना का प्रतिनिधित्व करता है।

सार्वजनिक स्थैतिक मैट्रिक्सSolveLs <T> बनाएं ( स्कोप स्कोप, ऑपरेंड <T> मैट्रिक्स, ऑपरेंड <T> rhs, ऑपरेंड < TFloat64 > l2Regularizer, विकल्प... विकल्प)

एक नए मैट्रिक्ससॉल्वल्स ऑपरेशन को लपेटकर एक क्लास बनाने की फ़ैक्टरी विधि।

पैरामीटर
दायरा वर्तमान दायरा
मैट्रिक्स आकार `[..., M, N]` है।
आरएचएस आकार `[..., M, K]` है।
एल2नियमितकर्ता अदिश टेंसर.

विकल्प वैकल्पिक गुण मान रखता है
रिटर्न
  • MatrixSolveLs का एक नया उदाहरण

सार्वजनिक स्थैतिक MatrixSolveLs.Options तेज़ (बूलियन तेज़)

सार्वजनिक आउटपुट <T> आउटपुट ()

आकार `[..., N, K]` है।

,
सार्वजनिक अंतिम वर्ग मैट्रिक्ससॉल्वएल

एक या अधिक रैखिक न्यूनतम-वर्ग समस्याओं को हल करता है।

`मैट्रिक्स` आकार का एक टेंसर है `[..., एम, एन]` जिसके आंतरिकतम 2 आयाम `[एम, एन]` आकार के वास्तविक या जटिल मैट्रिक्स बनाते हैं। `Rhs` `मैट्रिक्स` और आकार `[..., M, K]` के समान प्रकार का एक टेंसर है। आउटपुट एक टेंसर आकार `[..., N, K]` है जहां प्रत्येक आउटपुट मैट्रिक्स प्रत्येक समीकरण `matrix[..., :, :]` * `आउटपुट[..., :, :] को हल करता है ` = `rhs[..., :, :]` न्यूनतम वर्ग अर्थ में।

हम बैच में (जटिल) मैट्रिक्स और दाईं ओर के लिए निम्नलिखित नोटेशन का उपयोग करते हैं:

`मैट्रिक्स`=\\(A \in \mathbb{C}^{m \times n}\\), `rhs`=\\(B \in \mathbb{C}^{m \times k}\\), `आउटपुट`=\\(X \in \mathbb{C}^{n \times k}\\), `l2_regularizer`=\\(\lambda \in \mathbb{R}\\).

यदि `तेज़` `सत्य` है, तो समाधान की गणना चोलेस्की अपघटन का उपयोग करके सामान्य समीकरणों को हल करके की जाती है। विशेष रूप से, यदि \\(m \ge n\\) तब \\(X = (A^H A + \lambda I)^{-1} A^H B\\), जो न्यूनतम-वर्ग समस्या को हल करता है \\(X = \mathrm{argmin}_{Z \in \Re^{n \times k} } ||A Z - B||_F^2 + \lambda ||Z||_F^2\\). अगर \\(m \lt n\\) फिर `आउटपुट` की गणना \ के रूप में की जाती है\(X = A^H (A A^H + \lambda I)^{-1} B\\), जो (के लिए \\(\lambda = 0\\)) कम-निर्धारित रैखिक प्रणाली का न्यूनतम-मानक समाधान है, अर्थात \\(X = \mathrm{argmin}_{Z \in \mathbb{C}^{n \times k} } ||Z||_F^2 \\), का विषय है \\(A Z = B\\). ध्यान दें कि तेज़ पथ केवल संख्यात्मक रूप से स्थिर होता है जब \\(A\\) संख्यात्मक रूप से पूर्ण रैंक है और इसकी एक शर्त संख्या है \\(\mathrm{cond}(A) \lt \frac{1}{\sqrt{\epsilon_{mach} } }\\) या \\(\lambda\\) पर्याप्त रूप से बड़ा है.

यदि `तेज़` `गलत` है तो संख्यात्मक रूप से मजबूत पूर्ण ऑर्थोगोनल अपघटन पर आधारित एल्गोरिदम का उपयोग किया जाता है। यह न्यूनतम-मानदंड न्यूनतम-वर्ग समाधान की गणना करता है, तब भी जब \\(A\\) रैंक की कमी है. यह पथ आमतौर पर तेज़ पथ की तुलना में 6-7 गुना धीमा है। यदि `fast` `गलत` है तो `l2_regularizer` को नजरअंदाज कर दिया जाता है।

नेस्टेड क्लासेस

कक्षा मैट्रिक्ससॉल्वएलएस.विकल्प MatrixSolveLs के लिए वैकल्पिक विशेषताएँ

स्थिरांक

डोरी OP_NAME इस ऑप का नाम, जैसा कि TensorFlow कोर इंजन द्वारा जाना जाता है

सार्वजनिक तरीके

आउटपुट <T>
आउटपुट के रूप में ()
टेंसर का प्रतीकात्मक हैंडल लौटाता है।
स्थिर <T, TType > MatrixSolveLs <T> का विस्तार करता है
बनाएं ( स्कोप स्कोप, ऑपरेंड <T> मैट्रिक्स, ऑपरेंड <T> rhs, ऑपरेंड < TFloat64 > l2Regularizer, विकल्प... विकल्प)
एक नए मैट्रिक्ससॉल्वल्स ऑपरेशन को लपेटकर एक क्लास बनाने की फ़ैक्टरी विधि।
स्थैतिक मैट्रिक्ससॉल्वएलएस.विकल्प
तेज़ (बूलियन तेज़)
आउटपुट <T>
आउटपुट ()
आकार `[..., N, K]` है।

विरासत में मिली विधियाँ

स्थिरांक

सार्वजनिक स्थैतिक अंतिम स्ट्रिंग OP_NAME

इस ऑप का नाम, जैसा कि TensorFlow कोर इंजन द्वारा जाना जाता है

स्थिर मान: "MatrixSolveLs"

सार्वजनिक तरीके

सार्वजनिक आउटपुट <T> asOutput ()

टेंसर का प्रतीकात्मक हैंडल लौटाता है।

TensorFlow संचालन के इनपुट किसी अन्य TensorFlow ऑपरेशन के आउटपुट हैं। इस पद्धति का उपयोग एक प्रतीकात्मक हैंडल प्राप्त करने के लिए किया जाता है जो इनपुट की गणना का प्रतिनिधित्व करता है।

सार्वजनिक स्थैतिक मैट्रिक्सSolveLs <T> बनाएं ( स्कोप स्कोप, ऑपरेंड <T> मैट्रिक्स, ऑपरेंड <T> rhs, ऑपरेंड < TFloat64 > l2Regularizer, विकल्प... विकल्प)

एक नए मैट्रिक्ससॉल्वल्स ऑपरेशन को लपेटकर एक क्लास बनाने की फ़ैक्टरी विधि।

पैरामीटर
दायरा वर्तमान दायरा
मैट्रिक्स आकार `[..., M, N]` है।
आरएचएस आकार `[..., M, K]` है।
एल2नियमितकर्ता अदिश टेंसर.

विकल्प वैकल्पिक गुण मान रखता है
रिटर्न
  • MatrixSolveLs का एक नया उदाहरण

सार्वजनिक स्थैतिक MatrixSolveLs.Options तेज़ (बूलियन तेज़)

सार्वजनिक आउटपुट <T> आउटपुट ()

आकार `[..., N, K]` है।