público final de aula Svd
Calcula a decomposição própria de um lote de matrizes auto-adjuntas
(Nota: apenas entradas reais são suportadas).
Calcula os autovalores e autovetores das matrizes M por N mais internas no tensor, de modo que o tensor [...,:,:] = u [...,:,:] * Diag (s [...,:] ) * Transpor (v [...,:,:]).
Constantes
| Fragmento | OP_NAME | O nome desta operação, conforme conhecido pelo motor principal TensorFlow |
Métodos Públicos
| static <T extends TType > Svd <T> | |
| Saída <T> | s () Valores singulares. |
| Saída <T> | u () Vetores singulares à esquerda. |
| Saída <T> | v () Vetores singulares à direita. |
Métodos herdados
Constantes
public static final String OP_NAME
O nome desta operação, conforme conhecido pelo motor principal TensorFlow
Valor constante: "XlaSvd"
Métodos Públicos
public static Svd <T> create ( escopo do escopo, Operando <T> a, Long maxIter, Float epsilon, String precisionConfig)
Método de fábrica para criar uma classe envolvendo uma nova operação Svd.
Parâmetros
| alcance | escopo atual |
|---|---|
| uma | o tensor de entrada. |
| maxIter | número máximo de atualização de varredura, ou seja, toda a parte triangular inferior ou parte triangular superior com base no parâmetro inferior. Heuristicamente, argumentou-se que varreduras de aproximadamente log (min (M, N)) são necessárias na prática (Ref: Golub & van Loan "Matrix Computation"). |
| épsilon | a relação de tolerância. |
| precisãoConfig | um protótipo xla :: PrecisionConfig serializado. |
Devoluções
- uma nova instância de Svd
Public Output <T> s ()
Valores singulares. Os valores são classificados em ordem inversa de magnitude, então s [..., 0] é o maior valor, s [..., 1] é o segundo maior, etc.