SelfAdjointEig

کلاس نهایی عمومی SelfAdjointEig

تجزیه ویژه دسته ای از ماتریس های خود الحاقی را محاسبه می کند

(توجه: فقط ورودی های واقعی پشتیبانی می شوند).

مقادیر ویژه و بردارهای ویژه درونی ترین ماتریس های N به N را در تانسور محاسبه می کند به طوری که تانسور[...,:,:] * v[..., :,i] = e[..., i] * v [...,:,i]، برای i=0...N-1.

ثابت ها

رشته OP_NAME نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود

روش های عمومی

static <T TType > SelfAdjointEig <T> را گسترش می دهد
ایجاد ( scope scope، عملوند <T> a، Boolean low، Long maxIter، Float epsilon)
روش کارخانه برای ایجاد کلاسی که یک عملیات SelfAdjointEig جدید را بسته بندی می کند.
خروجی <T>
v ()
ستون v[...،:، i] بردار ویژه نرمال شده مربوط به مقدار ویژه w[...، i] است.
خروجی <T>
w ()
مقادیر ویژه به ترتیب صعودی، هر کدام با توجه به تعدد خود تکرار می شوند.

روش های ارثی

ثابت ها

رشته نهایی ثابت عمومی OP_NAME

نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود

مقدار ثابت: "XlaSelfAdjointEig"

روش های عمومی

ایستا عمومی SelfAdjointEig <T> ایجاد ( scope scope، عملوند <T> a، Boolean low، Long maxIter، Float epsilon)

روش کارخانه برای ایجاد کلاسی که یک عملیات SelfAdjointEig جدید را بسته بندی می کند.

مولفه های
محدوده محدوده فعلی
آ تانسور ورودی
پایین تر یک بولی مشخص می کند که آیا محاسبه با قسمت مثلثی پایینی یا مثلثی بالایی انجام می شود.
maxIter حداکثر تعداد به روز رسانی جارو، یعنی کل قسمت مثلثی پایینی یا قسمت مثلثی بالایی بر اساس پارامتر پایین تر. از نظر اکتشافی، استدلال شده است که تقریباً logN جاروها در عمل مورد نیاز است (رجوع کنید: Golub & van Loan "Matrix Computation").
اپسیلون نسبت تحمل
برمی گرداند
  • یک نمونه جدید از SelfAdjointEig

خروجی عمومی <T> v ()

ستون v[...،:، i] بردار ویژه نرمال شده مربوط به مقدار ویژه w[...، i] است.

خروجی عمومی <T> w ()

مقادیر ویژه به ترتیب صعودی، هر کدام با توجه به تعدد خود تکرار می شوند.

،
کلاس نهایی عمومی SelfAdjointEig

تجزیه ویژه دسته ای از ماتریس های خود الحاقی را محاسبه می کند

(توجه: فقط ورودی های واقعی پشتیبانی می شوند).

مقادیر ویژه و بردارهای ویژه درونی ترین ماتریس های N به N را در تانسور محاسبه می کند به طوری که تانسور[...,:,:] * v[..., :,i] = e[..., i] * v [...,:,i]، برای i=0...N-1.

ثابت ها

رشته OP_NAME نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود

روش های عمومی

static <T TType > SelfAdjointEig <T> را گسترش می دهد
ایجاد ( scope scope، عملوند <T> a، Boolean low، Long maxIter، Float epsilon)
روش کارخانه برای ایجاد کلاسی که یک عملیات SelfAdjointEig جدید را بسته بندی می کند.
خروجی <T>
v ()
ستون v[...،:، i] بردار ویژه نرمال شده مربوط به مقدار ویژه w[...، i] است.
خروجی <T>
w ()
مقادیر ویژه به ترتیب صعودی، هر کدام با توجه به تعدد خود تکرار می شوند.

روش های ارثی

ثابت ها

رشته نهایی ثابت عمومی OP_NAME

نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود

مقدار ثابت: "XlaSelfAdjointEig"

روش های عمومی

ایستا عمومی SelfAdjointEig <T> ایجاد ( scope scope، عملوند <T> a، Boolean low، Long maxIter، Float epsilon)

روش کارخانه برای ایجاد کلاسی که یک عملیات SelfAdjointEig جدید را بسته بندی می کند.

مولفه های
محدوده محدوده فعلی
آ تانسور ورودی
پایین تر یک بولی مشخص می کند که آیا محاسبه با قسمت مثلثی پایینی یا مثلثی بالایی انجام می شود.
maxIter حداکثر تعداد به روز رسانی جارو، یعنی کل قسمت مثلثی پایینی یا قسمت مثلثی بالایی بر اساس پارامتر پایین تر. از نظر اکتشافی، استدلال شده است که تقریباً logN جاروها در عمل مورد نیاز است (رجوع کنید: Golub & van Loan "Matrix Computation").
اپسیلون نسبت تحمل
برمی گرداند
  • یک نمونه جدید از SelfAdjointEig

خروجی عمومی <T> v ()

ستون v[...،:، i] بردار ویژه نرمال شده مربوط به مقدار ویژه w[...، i] است.

خروجی عمومی <T> w ()

مقادیر ویژه به ترتیب صعودی، هر کدام با توجه به تعدد خود تکرار می شوند.