یک یا چند مسئله حداقل مربعات خطی را حل می کند.
«ماتریس» یک تانسور شکل «[...، M، N]» است که بیشترین 2 بعد داخلی آن، ماتریس های واقعی یا پیچیده با اندازه «[M، N]» را تشکیل می دهند. «Rhs» تانسوری از همان نوع «ماتریس» و شکل «[...، M، K]» است. خروجی یک شکل تانسوری «[...، N، K]» است که در آن هر ماتریس خروجی هر یک از معادلات «ماتریس[...، :، :]» * «خروجی[...، :، :] را حل می کند. ` = `rhs[..., :, :]` به معنای حداقل مربعات.
ما از نماد زیر برای ماتریس (پیچیده) و سمت راست در دسته استفاده می کنیم:
"ماتریس"=\\(A \in \mathbb{C}^{m \times n}\\)، `rhs`=\\(B \in \mathbb{C}^{m \times k}\\)"خروجی"=\\(X \in \mathbb{C}^{n \times k}\\), `l2_regularizer`=\\(\lambda \in \mathbb{R}\\).
اگر «سریع» «درست» باشد، جواب با حل معادلات عادی با استفاده از تجزیه Cholesky محاسبه می‌شود. به طور خاص، اگر \\(m \ge n\\) سپس \\(X = (A^H A + \lambda I)^{-1} A^H B\\)، که مشکل حداقل مربعات را حل می کند \\(X = \mathrm{argmin}_{Z \in \Re^{n \times k} } ||A Z - B||_F^2 + \lambda ||Z||_F^2\\). اگر \\(m \lt n\\) سپس «خروجی» به صورت \ محاسبه می شود\(X = A^H (A A^H + \lambda I)^{-1} B\\)، که (برای \\(\lambda = 0\\)) راه حل حداقل هنجار برای سیستم خطی کم تعیین شده است، یعنی \\(X = \mathrm{argmin}_{Z \in \mathbb{C}^{n \times k} } ||Z||_F^2 \\)، موضوع \\(A Z = B\\). توجه داشته باشید که مسیر سریع فقط زمانی پایدار است که \\(A\\) از نظر عددی رتبه کامل است و دارای شماره شرط \\(\mathrm{cond}(A) \lt \frac{1}{\sqrt{\epsilon_{mach} } }\\) یا \\(\lambda\\) به اندازه کافی بزرگ است
اگر «سریع» «نادرست» باشد، از الگوریتمی بر اساس تجزیه متعامد کامل از نظر عددی قوی استفاده می‌شود. این راه حل حداقل مربعات حداقل هنجار را محاسبه می کند، حتی زمانی که \\(A\\) دارای کمبود رتبه است این مسیر معمولاً 6-7 برابر کندتر از مسیر سریع است. اگر «سریع» «نادرست» باشد، «l2_regularizer» نادیده گرفته می‌شود.
کلاس های تو در تو
| کلاس | MatrixSolveLs.Options | ویژگی های اختیاری برای MatrixSolveLs | |
ثابت ها
| رشته | OP_NAME | نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود |
روش های عمومی
| خروجی <T> | asOutput () دسته نمادین تانسور را برمی گرداند. |
| static <T TType > MatrixSolveLs <T> را گسترش می دهد | |
| استاتیک MatrixSolveLs.Options | سریع (سریع بولی) |
| خروجی <T> | خروجی () شکل «[...، N، K]» است. |
روش های ارثی
| بولی | برابر است (شیء arg0) |
| کلاس نهایی<?> | getClass () |
| بین المللی | کد هش () |
| باطل نهایی | اطلاع رسانی () |
| باطل نهایی | اطلاع رسانی به همه () |
| رشته | toString () |
| باطل نهایی | صبر کنید (long arg0، int arg1) |
| باطل نهایی | صبر کنید (طولانی arg0) |
| باطل نهایی | صبر کن () |
| چکیده Execution Environment | env () محیط اجرایی را که این عملیات در آن ایجاد شده است برگردانید. |
| عملیات انتزاعی |
ثابت ها
رشته نهایی ثابت عمومی OP_NAME
نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود
روش های عمومی
خروجی عمومی <T> asOutput ()
دسته نمادین تانسور را برمی گرداند.
ورودی های عملیات TensorFlow خروجی های عملیات تنسورفلو دیگر هستند. این روش برای به دست آوردن یک دسته نمادین که نشان دهنده محاسبه ورودی است استفاده می شود.
عمومی ایستا MatrixSolveLs <T> ایجاد می کنند ( دامنه دامنه ، ماتریس عملوند <T>، عملوند <T> rhs، عملوند < TFloat64 > l2Regularizer، گزینه ها... گزینه ها)
روش کارخانه برای ایجاد کلاسی که یک عملیات جدید MatrixSolveLs را بسته بندی می کند.
پارامترها
| دامنه | محدوده فعلی |
|---|---|
| ماتریس | شکل «[...، M، N]» است. |
| rhs | شکل «[...، M، K]» است. |
| l2 تنظیم کننده | تانسور اسکالر. |
| گزینه ها | مقادیر ویژگی های اختیاری را حمل می کند |
برمی گرداند
- یک نمونه جدید از MatrixSolveLs
یک یا چند مسئله حداقل مربعات خطی را حل می کند.
«ماتریس» یک تانسور شکل «[...، M، N]» است که بیشترین 2 بعد داخلی آن، ماتریس های واقعی یا پیچیده با اندازه «[M، N]» را تشکیل می دهند. «Rhs» تانسوری از همان نوع «ماتریس» و شکل «[...، M، K]» است. خروجی یک شکل تانسوری «[...، N، K]» است که در آن هر ماتریس خروجی هر یک از معادلات «ماتریس[...، :، :]» * «خروجی[...، :، :] را حل می کند. ` = `rhs[..., :, :]` به معنای حداقل مربعات.
ما از نماد زیر برای ماتریس (پیچیده) و سمت راست در دسته استفاده می کنیم:
"ماتریس"=\\(A \in \mathbb{C}^{m \times n}\\)، `rhs`=\\(B \in \mathbb{C}^{m \times k}\\)"خروجی"=\\(X \in \mathbb{C}^{n \times k}\\), `l2_regularizer`=\\(\lambda \in \mathbb{R}\\).
اگر «سریع» «درست» باشد، جواب با حل معادلات عادی با استفاده از تجزیه Cholesky محاسبه می‌شود. به طور خاص، اگر \\(m \ge n\\) سپس \\(X = (A^H A + \lambda I)^{-1} A^H B\\)، که مشکل حداقل مربعات را حل می کند \\(X = \mathrm{argmin}_{Z \in \Re^{n \times k} } ||A Z - B||_F^2 + \lambda ||Z||_F^2\\). اگر \\(m \lt n\\) سپس «خروجی» به صورت \ محاسبه می شود\(X = A^H (A A^H + \lambda I)^{-1} B\\)، که (برای \\(\lambda = 0\\)) راه حل حداقل هنجار برای سیستم خطی کم تعیین شده است، یعنی \\(X = \mathrm{argmin}_{Z \in \mathbb{C}^{n \times k} } ||Z||_F^2 \\)، موضوع \\(A Z = B\\). توجه داشته باشید که مسیر سریع فقط زمانی پایدار است که \\(A\\) از نظر عددی رتبه کامل است و دارای شماره شرط \\(\mathrm{cond}(A) \lt \frac{1}{\sqrt{\epsilon_{mach} } }\\) یا \\(\lambda\\) به اندازه کافی بزرگ است
اگر «سریع» «نادرست» باشد، از الگوریتمی بر اساس تجزیه متعامد کامل از نظر عددی قوی استفاده می‌شود. این راه حل حداقل مربعات حداقل هنجار را محاسبه می کند، حتی زمانی که \\(A\\) دارای کمبود رتبه است این مسیر معمولاً 6-7 برابر کندتر از مسیر سریع است. اگر «سریع» «نادرست» باشد، «l2_regularizer» نادیده گرفته می‌شود.
کلاس های تو در تو
| کلاس | MatrixSolveLs.Options | ویژگی های اختیاری برای MatrixSolveLs | |
ثابت ها
| رشته | OP_NAME | نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود |
روش های عمومی
| خروجی <T> | asOutput () دسته نمادین تانسور را برمی گرداند. |
| static <T TType > MatrixSolveLs <T> را گسترش می دهد | |
| استاتیک MatrixSolveLs.Options | سریع (سریع بولی) |
| خروجی <T> | خروجی () شکل «[...، N، K]» است. |
روش های ارثی
| بولی | برابر است (شیء arg0) |
| کلاس نهایی<?> | getClass () |
| بین المللی | کد هش () |
| باطل نهایی | اطلاع رسانی () |
| باطل نهایی | اطلاع رسانی به همه () |
| رشته | toString () |
| باطل نهایی | صبر کنید (long arg0، int arg1) |
| باطل نهایی | صبر کنید (طولانی arg0) |
| باطل نهایی | صبر کن () |
| چکیده Execution Environment | env () محیط اجرایی را که این عملیات در آن ایجاد شده است برگردانید. |
| عملیات انتزاعی |
ثابت ها
رشته نهایی ثابت عمومی OP_NAME
نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود
روش های عمومی
خروجی عمومی <T> asOutput ()
دسته نمادین تانسور را برمی گرداند.
ورودی های عملیات TensorFlow خروجی های عملیات تنسورفلو دیگر هستند. این روش برای به دست آوردن یک دسته نمادین که نشان دهنده محاسبه ورودی است استفاده می شود.
عمومی ایستا MatrixSolveLs <T> ایجاد می کنند ( دامنه دامنه ، ماتریس عملوند <T>، عملوند <T> rhs، عملوند < TFloat64 > l2Regularizer، گزینه ها... گزینه ها)
روش کارخانه برای ایجاد کلاسی که یک عملیات جدید MatrixSolveLs را بسته بندی می کند.
پارامترها
| دامنه | محدوده فعلی |
|---|---|
| ماتریس | شکل «[...، M، N]» است. |
| rhs | شکل «[...، M، K]» است. |
| l2 تنظیم کننده | تانسور اسکالر. |
| گزینه ها | مقادیر ویژگی های اختیاری را حمل می کند |
برمی گرداند
- یک نمونه جدید از MatrixSolveLs
یک یا چند مسئله حداقل مربعات خطی را حل می کند.
«ماتریس» یک تانسور شکل «[...، M، N]» است که بیشترین 2 بعد داخلی آن، ماتریس های واقعی یا پیچیده با اندازه «[M، N]» را تشکیل می دهند. «Rhs» تانسوری از همان نوع «ماتریس» و شکل «[...، M، K]» است. خروجی یک شکل تانسوری «[...، N، K]» است که در آن هر ماتریس خروجی هر یک از معادلات «ماتریس[...، :، :]» * «خروجی[...، :، :] را حل می کند. ` = `rhs[..., :, :]` به معنای حداقل مربعات.
ما از نماد زیر برای ماتریس (پیچیده) و سمت راست در دسته استفاده می کنیم:
"ماتریس"=\\(A \in \mathbb{C}^{m \times n}\\)، `rhs`=\\(B \in \mathbb{C}^{m \times k}\\)"خروجی"=\\(X \in \mathbb{C}^{n \times k}\\), `l2_regularizer`=\\(\lambda \in \mathbb{R}\\).
اگر «سریع» «درست» باشد، جواب با حل معادلات عادی با استفاده از تجزیه Cholesky محاسبه می‌شود. به طور خاص، اگر \\(m \ge n\\) سپس \\(X = (A^H A + \lambda I)^{-1} A^H B\\)، که مشکل حداقل مربعات را حل می کند \\(X = \mathrm{argmin}_{Z \in \Re^{n \times k} } ||A Z - B||_F^2 + \lambda ||Z||_F^2\\). اگر \\(m \lt n\\) سپس «خروجی» به صورت \ محاسبه می شود\(X = A^H (A A^H + \lambda I)^{-1} B\\)، که (برای \\(\lambda = 0\\)) راه حل حداقل هنجار برای سیستم خطی کم تعیین شده است، یعنی \\(X = \mathrm{argmin}_{Z \in \mathbb{C}^{n \times k} } ||Z||_F^2 \\)، موضوع \\(A Z = B\\). توجه داشته باشید که مسیر سریع فقط زمانی پایدار است که \\(A\\) از نظر عددی رتبه کامل است و دارای شماره شرط \\(\mathrm{cond}(A) \lt \frac{1}{\sqrt{\epsilon_{mach} } }\\) یا \\(\lambda\\) به اندازه کافی بزرگ است
اگر «سریع» «نادرست» باشد، از الگوریتمی بر اساس تجزیه متعامد کامل از نظر عددی قوی استفاده می‌شود. این راه حل حداقل مربعات حداقل هنجار را محاسبه می کند، حتی زمانی که \\(A\\) دارای کمبود رتبه است این مسیر معمولاً 6-7 برابر کندتر از مسیر سریع است. اگر «سریع» «نادرست» باشد، «l2_regularizer» نادیده گرفته می‌شود.
کلاس های تو در تو
| کلاس | MatrixSolveLs.Options | ویژگی های اختیاری برای MatrixSolveLs | |
ثابت ها
| رشته | OP_NAME | نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود |
روش های عمومی
| خروجی <T> | asOutput () دسته نمادین تانسور را برمی گرداند. |
| static <T TType > MatrixSolveLs <T> را گسترش می دهد | |
| استاتیک MatrixSolveLs.Options | سریع (سریع بولی) |
| خروجی <T> | خروجی () شکل «[...، N، K]» است. |
روش های ارثی
| بولی | برابر است (شیء arg0) |
| کلاس نهایی<?> | getClass () |
| بین المللی | کد هش () |
| باطل نهایی | اطلاع رسانی () |
| باطل نهایی | اطلاع رسانی به همه () |
| رشته | toString () |
| باطل نهایی | صبر کنید (long arg0، int arg1) |
| باطل نهایی | صبر کنید (طولانی arg0) |
| باطل نهایی | صبر کن () |
| چکیده Execution Environment | env () محیط اجرایی را که این عملیات در آن ایجاد شده است برگردانید. |
| عملیات انتزاعی |
ثابت ها
رشته نهایی ثابت عمومی OP_NAME
نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود
روش های عمومی
خروجی عمومی <T> asOutput ()
دسته نمادین تانسور را برمی گرداند.
ورودی های عملیات TensorFlow خروجی های عملیات تنسورفلو دیگر هستند. این روش برای به دست آوردن یک دسته نمادین که نشان دهنده محاسبه ورودی است استفاده می شود.
عمومی ایستا MatrixSolveLs <T> ایجاد می کنند ( دامنه دامنه ، ماتریس عملوند <T>، عملوند <T> rhs، عملوند < TFloat64 > l2Regularizer، گزینه ها... گزینه ها)
روش Factory برای ایجاد کلاسی که عملیات MatrixSolveLs جدید را بسته بندی می کند.
پارامترها
| دامنه | محدوده فعلی |
|---|---|
| ماتریس | شکل «[...، M، N]» است. |
| rhs | شکل «[...، M، K]» است. |
| l2 تنظیم کننده | تانسور اسکالر. |
| گزینه ها | مقادیر ویژگی های اختیاری را حمل می کند |
برمی گرداند
- یک نمونه جدید از MatrixSolveLs
یک یا چند مسئله حداقل مربعات خطی را حل می کند.
«ماتریس» یک تانسور شکل «[...، M، N]» است که بیشترین 2 بعد داخلی آن، ماتریس های واقعی یا پیچیده با اندازه «[M، N]» را تشکیل می دهند. «Rhs» تانسوری از همان نوع «ماتریس» و شکل «[...، M، K]» است. خروجی یک شکل تانسوری «[...، N، K]» است که در آن هر ماتریس خروجی هر یک از معادلات «ماتریس[...، :، :]» * «خروجی[...، :، :] را حل می کند. ` = `rhs[..., :, :]` به معنای حداقل مربعات.
ما از نماد زیر برای ماتریس (پیچیده) و سمت راست در دسته استفاده می کنیم:
"ماتریس"=\\(A \in \mathbb{C}^{m \times n}\\)، `rhs`=\\(B \in \mathbb{C}^{m \times k}\\)"خروجی"=\\(X \in \mathbb{C}^{n \times k}\\), `l2_regularizer`=\\(\lambda \in \mathbb{R}\\).
اگر «سریع» «درست» باشد، جواب با حل معادلات عادی با استفاده از تجزیه Cholesky محاسبه می‌شود. به طور خاص، اگر \\(m \ge n\\) سپس \\(X = (A^H A + \lambda I)^{-1} A^H B\\)، که مشکل حداقل مربعات را حل می کند \\(X = \mathrm{argmin}_{Z \in \Re^{n \times k} } ||A Z - B||_F^2 + \lambda ||Z||_F^2\\). اگر \\(m \lt n\\) سپس «خروجی» به صورت \ محاسبه می شود\(X = A^H (A A^H + \lambda I)^{-1} B\\)، که (برای \\(\lambda = 0\\)) راه حل حداقل هنجار برای سیستم خطی کم تعیین شده است، یعنی \\(X = \mathrm{argmin}_{Z \in \mathbb{C}^{n \times k} } ||Z||_F^2 \\)، موضوع \\(A Z = B\\). توجه داشته باشید که مسیر سریع فقط زمانی پایدار است که \\(A\\) از نظر عددی رتبه کامل است و دارای شماره شرط \\(\mathrm{cond}(A) \lt \frac{1}{\sqrt{\epsilon_{mach} } }\\) یا \\(\lambda\\) به اندازه کافی بزرگ است
اگر «سریع» «نادرست» باشد، از الگوریتمی بر اساس تجزیه متعامد کامل از نظر عددی قوی استفاده می‌شود. این راه حل حداقل مربعات حداقل هنجار را محاسبه می کند، حتی زمانی که \\(A\\) دارای کمبود رتبه است این مسیر معمولاً 6-7 برابر کندتر از مسیر سریع است. اگر «سریع» «نادرست» باشد، «l2_regularizer» نادیده گرفته می‌شود.
کلاس های تو در تو
| کلاس | MatrixSolveLs.Options | ویژگی های اختیاری برای MatrixSolveLs | |
ثابت ها
| رشته | OP_NAME | نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود |
روش های عمومی
| خروجی <T> | asOutput () دسته نمادین تانسور را برمی گرداند. |
| static <T TType > MatrixSolveLs <T> را گسترش می دهد | |
| استاتیک MatrixSolveLs.Options | سریع (سریع بولی) |
| خروجی <T> | خروجی () شکل «[...، N، K]» است. |
روش های ارثی
| بولی | برابر است (شیء arg0) |
| کلاس نهایی<?> | getClass () |
| بین المللی | کد هش () |
| باطل نهایی | اطلاع رسانی () |
| باطل نهایی | اطلاع رسانی به همه () |
| رشته | toString () |
| باطل نهایی | صبر کنید (long arg0، int arg1) |
| باطل نهایی | صبر کنید (طولانی arg0) |
| باطل نهایی | صبر کن () |
| چکیده Execution Environment | env () محیط اجرایی را که این عملیات در آن ایجاد شده است برگردانید. |
| عملیات انتزاعی |
ثابت ها
رشته نهایی ثابت عمومی OP_NAME
نام این عملیات توسط موتور هسته TensorFlow شناخته شده است
روش های عمومی
خروجی عمومی <T> asOutput ()
دسته نمادین تانسور را برمی‌گرداند.
ورودی های عملیات TensorFlow خروجی های عملیات تنسورفلو دیگر هستند. این روش برای به دست آوردن یک دسته نمادین که نشان دهنده محاسبه ورودی است استفاده می شود.
عمومی ایستا MatrixSolveLs <T> ایجاد می کنند ( دامنه دامنه ، ماتریس عملوند <T>، عملوند <T> rhs، عملوند < TFloat64 > l2Regularizer، گزینه ها... گزینه ها)
روش کارخانه برای ایجاد کلاسی که یک عملیات جدید MatrixSolveLs را بسته بندی می کند.
پارامترها
| دامنه | محدوده فعلی |
|---|---|
| ماتریس | شکل «[...، M، N]» است. |
| rhs | شکل «[...، M، K]» است. |
| l2 تنظیم کننده | تانسور اسکالر. |
| گزینه ها | مقادیر ویژگی های اختیاری را حمل می کند |
برمی گرداند
- یک نمونه جدید از MatrixSolveLs