tsne torch

t-SNE是一种降维算法，它通过寻找最合适的降维方式，使得在降维前后数据点之间的相似度尽可能保持一致。其中，SNE算法使用KL散度来度量相似度，具有直观性。在训练方面，t-SNE通常使用随机梯度下降（SGD）等方法进行优化，但原始文献提到这种方法训练效果不佳，因此还引入了模拟退火等方法来改进。

在使用t-SNE时，Van der Maaten使用了基于Python和Torch CFFI的包装器，对其进行了多核修改，使得t-SNE的计算速度比单核的sklearn.TSNE更快。此外，t-SNE的实现还采用了Barnes-Hut t-SNE的分步方法，首先构建用于最近邻搜索的有效数据结构，然后使用该数据结构计算概率。

t-SNE的全称是t-Distributed Stochastic Neighbor Embedding，它是对SNE算法的改进。t-SNE改进了SNE算法的两个问题，首先是解决了不对称问题，即在原始SNE中，点A附近的点B距离A很近，但B附近的点A却距离A很远。t-SNE通过使用t分布来替代高斯分布，更好地处理了这个问题。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *3* [t-SNE及pytorch实现](https://blog.csdn.net/leida_wt/article/details/84993848)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *2* [Multicore-TSNE：使用Python和Torch包装器的并行t-SNE实现](https://download.csdn.net/download/weixin_42121272/15372650)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]