使用"tf.contrib.factorization.KMeansClustering“

Question

关于这个链接，(链接)我尝试使用tf.contrib.factorization.KMeansClustering来进行集群。以下简单代码工作正常：

import numpy as np
import tensorflow as tf

# ---- Create Data Sample -----
k = 5
n = 100
variables = 5
points = np.random.uniform(0, 1000, [n, variables])

# ---- Clustering -----
input_fn=lambda: tf.train.limit_epochs(tf.convert_to_tensor(points, dtype=tf.float32), num_epochs=1)
kmeans=tf.contrib.factorization.KMeansClustering(num_clusters=6)
kmeans.train(input_fn=input_fn)
centers = kmeans.cluster_centers()

# ---- Print out -----
cluster_indices = list(kmeans.predict_cluster_index(input_fn))
for i, point in enumerate(points):
  cluster_index = cluster_indices[i]
  print ('point:', point, 'is in cluster', cluster_index, 'centered at', centers[cluster_index])

我的问题是，为什么这个"input_fn“代码会起作用？如果我将代码更改为这个，它将运行到一个无限循环。为什么？?

input_fn=lambda:tf.convert_to_tensor(points, dtype=tf.float32)

从文档(在这里)看，train()似乎期待着input_fn的参数，它只是一个A 'tf.data.Dataset‘对象，就像张量(X)一样。那么，为什么我必须对lambda: tf.train.limit_epochs()做所有这些棘手的事情呢？

任何熟悉tensorflow估值器基本原理的人能帮助解释吗？非常感谢！

Answer 1

我的问题是，为什么这个"input_fn“代码会起作用？如果我将代码更改为这个，它将运行到一个无限循环。为什么？?

文档指出，input_fn被反复调用，直到它返回一个tf.errors.OutOfRangeError为止。用tf.train.limit_epochs装饰张量可以确保最终产生错误，这向KMeans发出了停止训练的信号。