文件名称：spmf:稀疏编码的泊松矩阵分解
文件大小：458KB
文件格式：ZIP
更新时间：2024-04-23 03:10:13
representation-learning sparse-coding poisson-matrix-factorization bayesian-hierarchical-models JupyterNotebook
（S）欧芹编码（P）oisson（M）atrix（F）actorization 使用Tensorflow概率实现。 此方法与常规分层Poisson矩阵分解方法的不同之处主要在于，它简化了编码转换而不是解码转换。 编码转换是计算以数据为条件的表示形式的方法。 解码变换采用该表示形式，并产生预测概率密度。 通过稀疏编码，我们使每个表示形式协调原始数据特征子集的线性组合。 因此，放置在制图表达上的不等式直接且透明地转换为原始特征上的不等式。 安装 使用点子： pip install git+https://github.com/mederrata/spmf.git 例子 为方便起见，您可以在笔记本下找到这些示例--以下是在Google Colab中打开它们的链接。 请注意，您将需要使用以下命令在Colab中安装软件包： !p ip install git + https : // git
【文件预览】：
spmf-master
----mederrata_spmf()
--------poissonautoencoder.py(5KB)
--------__init__.py(95B)
--------spmf.py(26KB)
----notebooks()
--------rnaseq.ipynb(413KB)
--------simulation_figure.ipynb(124KB)
--------factorizing_random_noise.ipynb(107KB)
--------factorize_linear_structure.ipynb(62KB)
--------factorize_nonlinear_structure.ipynb(72KB)
----Dockerfile(160B)
----LICENSE(1KB)
----setup.cfg(0B)
----setup.py(1KB)
----README.md(3KB)
----tests()
--------spmf_test.py(2KB)
--------test_gpu_tensorflow.py(600B)
--------poissonautoencoder_test.py(1KB)
----.gitignore(2KB)
----bin()
--------preprocess_scrnaseq_counts.py(4KB)
--------build_docker_dev.sh(50B)
--------plot_scrnaseq_figures.py(5KB)
--------factorize_csv.py(6KB)
--------factorize_scrnaseq_counts.py(9KB)