معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Contrastive neighbor embeddings (CNE) for dimensionality reduction and clustering

ویژگی	مقدار
سیستم عامل	-
نام فایل	cne-learn-0.0.dev0
نام	cne-learn
نسخه کتابخانه	0.0.dev0
نگهدارنده	['Jacob Graving <jgraving@gmail.com>']
ایمیل نگهدارنده	['jgraving@gmail.com']
نویسنده	Jacob Graving <jgraving@gmail.com>
ایمیل نویسنده	jgraving@gmail.com
آدرس صفحه اصلی	https://github.com/jgraving/cne
آدرس اینترنتی	https://pypi.org/project/cne-learn/
مجوز	Apache 2.0

CNE is a probabilistic self-supervised deep learning model for compressing high-dimensional data to a low-dimensional embedding. CNE is a general-purpose algorithm that works with multiple types of data including images, time series, and tabular data. It uses the InfoNCE objective, a variational bound on mutual information, to improve local structure preservation in the compressed latent space and simultaneously learns a cluster distribution (a prior over the latent embedding) during optimization. Overlapping clusters are automatically combined by optimizing a variational upper bound on entropy, so the number of clusters does not have to be specified manually — provided the number of initial clusters is large enough. CNE produces embeddings with similar quality to existing dimensionality reduction methods; can detect outliers; scales to large, out-of-core datasets; and can easily add new data to an existing embedding/clustering.

نحوه نصب

نصب پکیج whl cne-learn-0.0.dev0:

pip install cne-learn-0.0.dev0.whl

نصب پکیج tar.gz cne-learn-0.0.dev0:

pip install cne-learn-0.0.dev0.tar.gz