genel final dersi Svd
Kendine eş matrislerden oluşan bir grubun öz ayrışmasını hesaplar
(Not: Yalnızca gerçek girişler desteklenir).
Tensördeki en içteki M'ye N matrislerinin özdeğerlerini ve özvektörlerini tensör[...,:,:] = u[..., :, :] olacak şekilde hesaplar * Diag(s[..., :] ) * Devriği(v[...,:,:]).
Sabitler
| Sicim | OP_NAME | Bu operasyonun TensorFlow çekirdek motoru tarafından bilinen adı |
Genel Yöntemler
| statik <T TType'ı genişletir > Svd <T> | |
| Çıkış <T> | S () Tekil değerler. |
| Çıkış <T> | sen () Sol tekil vektörler. |
| Çıkış <T> | v () Sağ tekil vektörler. |
Kalıtsal Yöntemler
Sabitler
genel statik son Dize OP_NAME
Bu operasyonun TensorFlow çekirdek motoru tarafından bilinen adı
Sabit Değer: "XlaSvd"
Genel Yöntemler
public static Svd <T> create ( Kapsam kapsamı, Operand <T> a, Long maxIter, Float epsilon, String sensitiveConfig)
Yeni bir Svd işlemini saran bir sınıf oluşturmak için fabrika yöntemi.
Parametreler
| kapsam | mevcut kapsam |
|---|---|
| A | giriş tensörü. |
| maxIter | maksimum tarama güncellemesi sayısı, yani alt parametreye bağlı olarak alt üçgen kısmın tamamı veya üst üçgen kısmı. Sezgisel olarak, pratikte yaklaşık olarak log(min (M, N)) taramalara ihtiyaç duyulduğu ileri sürülmüştür (Ref: Golub & van Loan "Matrix Computation"). |
| epsilon | tolerans oranı. |
| hassasYapılandırma | serileştirilmiş bir xla::PrecisionConfig protokolü. |
İadeler
- yeni bir Svd örneği
genel Çıkış <T> s ()
Tekil değerler. Değerler ters büyüklük sırasına göre sıralanır; dolayısıyla s[..., 0] en büyük değerdir, s[..., 1] ikinci en büyük değerdir, vb.