norm_squared = torch.sum((embeddings.unsqueeze(1) - self.cluster_centers) ** 2, 2) numerator = 1.0 / (1.0 + (norm_squared / self.alpha)) power = float(self.alpha + 1) / 2 numerator = numerator ** power return numerator / torch.sum(numerator, dim=1, keepdim=True)

这段代码是一个计算聚类中心的概率分布的函数。它首先计算了每个样本与聚类中心的欧氏距离的平方，然后通过除以一个参数alpha加1来归一化。接下来，它将这个归一化后的值取幂，指数为alpha加1的一半。最后，它再次进行归一化，以得到最终的概率分布。

具体来说，这段代码的输入是一个包含样本嵌入向量的张量embeddings和聚类中心的张量self.cluster_centers。它首先对embeddings进行形状扩展，使其能够与cluster_centers相减。然后，通过计算差的平方得到欧氏距离的平方norm_squared。接下来，通过除以alpha来进行归一化，再将结果取幂，最后再次进行归一化，得到最终的概率分布。

注意，这段代码使用了PyTorch库进行张量操作和数学计算。