tensorflow学习笔记（十二）：K-means手写体数字（MNIST）识别

最新推荐文章于 2022-09-18 16:45:26 发布

原创

最新推荐文章于 2022-09-18 16:45:26 发布 · 7.4k 阅读

56 ·

CC 4.0 BY-SA版权

文章标签：

#k-means实战 #手写体识别

本文介绍了K-Means聚类算法，详细讲解了KMeans类的主要函数，并通过TensorFlow实现K-means对MNIST手写体数字数据集进行分类，展示了实际应用中的效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

一、K-means简介
二、主要函数
三、项目实战

一、K-means简介

K-Means算法是经典的无监督的聚类算法，其思想是对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。

算法流程图下：
在这里插入图片描述
更多理论知识请参考：K均值（K-means）聚类算法。

二、主要函数

1、KMeans()：

用于创建一个Kmeans算法的对象，定义如下：

from tensorflow.contrib.factorization import KMeans

KMeans(
    inputs,
    num_clusters,
    initial_clusters=RANDOM_INIT,
    distance_metric=SQUARED_EUCLIDEAN_DISTANCE,
    use_mini_batch=False,
    mini_batch_steps_per_iteration=1,
    random_seed=0,
    kmeans_plus_plus_num_retries=2,
    kmc2_chain_length=200
)

参数：

inputs：输入张量或输入张量列表。假设数据点先前已被随机置换。
num_clusters：一个整数张量，指定簇的数量。如果initial_clusters是张量或numpy数组，则忽略此参数。
distance_metric：用于群集的距离度量。支持的选项：“squared_euclidean”，“cosine”。
use_mini_batch：如果为true，请使用小批量k-means算法。
mini_batch_steps_per_iteration：更新的集群中心同步回主副本的步骤数。

2、kmeans.training_graph()：

该函数用于构建图模型，定义如下：

(all_scores,cluster_idx,scores,cluster_centers_initialized,cluster_centers_vars,init_op,training_op)=kmeans.training_graph()
#注意这里的 all_scores cluster_idx scores