Question

我正在尝试使用以下代码段对一组图像（图像以float torch.Tensor s加载）应用 k-means 聚类：

print('[Clustering all samples...]')
local points = torch.Tensor(trsize, 3, 221, 221)
for i = 1,trsize do
  points[i] = trainData.data[i]:clone() -- dont want to modify the original tensors
end
points:resize(trsize, 3*221*221) -- to convert it to a 2-D tensor
local centroids, counts = unsup.kmeans(points, total_classes, 40, total_classes, nil, true)
print(counts)

当我观察counts张量中的值时，我发现它包含意外值，某些条目的形式超过trsize，而documentation表示{ {1}}存储每个质心的计数。我预计这意味着counts等于属于具有质心counts[i]的群集的trsize中的样本数。这样做我错了吗？

如果确实如此，那么样本到质心不应该是硬分配（即不应该centroids[i]总和到counts[i] }，这显然不是我的聚类的情况）？我在这里错过了什么吗？

提前致谢。

Answer 1

在当前版本的代码中，计数为accumulated after each iteration

for i = 1,niter do
  -- k-means computations...

  -- total counts
  totalcounts:add(counts)
end

所以最后counts:sum()是niter的倍数。

作为一种解决方法，您可以使用回调来获取最终计数（非累积）：

local maxiter = 40

local centroids, counts = unsup.kmeans(
  points,
  total_classes,
  maxiter,
  total_classes,
  function(i, _, totalcounts) if i < maxiter then totalcounts:zero() end end,
  true
)

作为替代方案，您可以使用vlfeat.torch并在kmeans之后显式量化您的输入点以获取这些计数：

local assignments = kmeans:quantize(points)

local counts = torch.zeros(total_classes):int()

for i=1,total_classes do
  counts[i] = assignments:eq(i):sum()
end

火炬7：意外＆＃39;计数＆＃39;在k-Means聚类中

1 个答案: