LeHDC

class torchhd.classifiers.LeHDC(n_features: int, n_dimensions: int, n_classes: int, *, n_levels: int = 100, min_level: int = -1, max_level: int = 1, epochs: int = 120, lr: float = 0.01, patience: int = 2, weight_decay: float = 0.003, dropout_rate: float = 0.3, 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。

• n_levels (int, optional) – 用于层级超向量的离散化层级数量。

• min_level (int, optional) – 由级别超向量表示的范围的下限。

• max_level (int, optional) – 由层级超向量表示的范围的上限。

• epochs (int, optional) – 训练数据的迭代次数。

• lr (float, optional) – 学习率。

• 耐心 (int, 可选) – 在没有改进的情况下，学习率将被减少的周期数。

• weight_decay (float, optional) – 模型权重在训练过程中衰减的速率。

• dropout_rate (float, optional) – 随机置零的隐藏维度比例。

• 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