DistHD

class torchhd.classifiers.DistHD(n_features: int, n_dimensions: int, n_classes: int, *, regen_freq: int = 20, regen_rate: float = 0.04, alpha: float = 0.5, beta: float = 1, theta: float = 0.25, epochs: int = 120, lr: float = 0.05, device: device | None = None, dtype: dtype | None = None)

实现了DistHD: 一种用于超维分类的学习者感知动态编码方法。

Parameters:

• n_features (int) – 每个输入样本的大小。

• n_dimensions (int) – 使用的隐藏维度数量。

• n_classes (int) – 类别数量。

• regen_freq (int) – 重新生成隐藏维度的频率，以epochs为单位。

• regen_rate (int) – 要重新生成的隐藏维度的比例。

• alpha (float) – 影响再生维度的参数，详情请参阅论文。

• beta (float) – 影响再生维度的参数，详情请参阅论文。

• theta (float) – 影响再生维度的参数，详情请参阅论文。

• epochs (int) – 训练数据的迭代次数。

• lr (float) – 学习率。

• device (torch.device, 可选) – 权重的期望设备。默认值：如果 None，则使用当前设备作为默认张量类型（参见 torch.set_default_tensor_type()）。device 对于 CPU 张量类型将是 CPU，对于 CUDA 张量类型将是当前的 CUDA 设备。

• dtype (torch.dtype, 可选) – 权重的期望数据类型。默认值：如果 None，则使用 torch.get_default_dtype()。

__call__(samples: Tensor) → Tensor

评估给定样本的分类器的logits。

Parameters:

样本 (张量) – 待分类的样本批次。

Returns:

每个样本对于每个类别的Logits。

Return type:

张量

accuracy(data_loader: Iterable[Tuple[Tensor, LongTensor]]) → float

预测样本标签的准确性。

Parameters:

data_loader (DataLoader) – 包含一批样本和标签的可迭代元组。

Returns:

预测真实标签的准确性。

Return type:

浮点数

fit(data_loader: Iterable[Tuple[Tensor, LongTensor]])

将分类器拟合到提供的数据。

Parameters:

data_loader (DataLoader) – 包含一批样本和标签的可迭代元组。

Returns:

self

predict(samples: Tensor) → LongTensor

预测每个给定样本的类别。

Parameters:

样本 (张量) – 待分类的样本批次。

Returns:

每个样本的预测类别索引。

Return type:

长整型张量