clear_samples_class_gmmT_clear_samples_class_gmmClearSamplesClassGmmClearSamplesClassGmmclear_samples_class_gmm (Operator)
Name
clear_samples_class_gmmT_clear_samples_class_gmmClearSamplesClassGmmClearSamplesClassGmmclear_samples_class_gmm — Löschen aller Trainingsdaten eines Gaußschen Mischverteilungsmodells.
Signatur
Herror T_clear_samples_class_gmm(const Htuple GMMHandle)
def clear_samples_class_gmm(gmmhandle: MaybeSequence[HHandle]) -> None
Beschreibung
clear_samples_class_gmmclear_samples_class_gmmClearSamplesClassGmmClearSamplesClassGmmClearSamplesClassGmmclear_samples_class_gmm löscht alle in dem Gaußschen
Mischverteilungsmodell
(GMM) GMMHandleGMMHandleGMMHandleGMMHandleGMMHandlegmmhandle abgespeicherten Trainingsmuster.
Eine Verwendung von clear_samples_class_gmmclear_samples_class_gmmClearSamplesClassGmmClearSamplesClassGmmClearSamplesClassGmmclear_samples_class_gmm ist nur dann
sinnvoll, wenn das GMM in demselben Prozess trainiert wird, in dem
das GMM auch zur Evaluierung mit evaluate_class_gmmevaluate_class_gmmEvaluateClassGmmEvaluateClassGmmEvaluateClassGmmevaluate_class_gmm oder zur
Klassifikation mit classify_class_gmmclassify_class_gmmClassifyClassGmmClassifyClassGmmClassifyClassGmmclassify_class_gmm verwendet wird. In
diesem Fall kann der durch die Trainingsmuster belegte Speicher mit
clear_samples_class_gmmclear_samples_class_gmmClearSamplesClassGmmClearSamplesClassGmmClearSamplesClassGmmclear_samples_class_gmm wieder freigegeben werden, und somit
Speicherplatz gespart werden. In der üblichen Verwendungsart, in
der das GMM offline trainiert wird und mit write_class_gmmwrite_class_gmmWriteClassGmmWriteClassGmmWriteClassGmmwrite_class_gmm
gespeichert wird, ist die Verwendung von
clear_samples_class_gmmclear_samples_class_gmmClearSamplesClassGmmClearSamplesClassGmmClearSamplesClassGmmclear_samples_class_gmm normalerweise überflüssig, da
write_class_gmmwrite_class_gmmWriteClassGmmWriteClassGmmWriteClassGmmwrite_class_gmm die Trainingsmuster nicht abspeichert, und
somit im Online-Prozess, der das GMM mit read_class_gmmread_class_gmmReadClassGmmReadClassGmmReadClassGmmread_class_gmm
einliest, auch kein Speicher für die Trainingsmuster benötigt wird.
Ausführungsinformationen
- Multithreading-Typ: reentrant (läuft parallel zu nicht-exklusiven Operatoren).
- Multithreading-Bereich: global (kann von jedem Thread aufgerufen werden).
- Wird ohne Parallelisierung verarbeitet.
Dieser Operator modifiziert den Zustand des folgenden Eingabeparameters:
Während der Ausführung dieses Operators muss der Zugriff auf den Wert dieses Parameters synchronisiert werden, wenn er über mehrere Threads hinweg verwendet wird.
Parameter
GMMHandleGMMHandleGMMHandleGMMHandleGMMHandlegmmhandle (input_control, Zustand wird modifiziert) class_gmm(-array) → HClassGmm, HTupleMaybeSequence[HHandle]HTupleHtuple (handle) (IntPtr) (HHandle) (handle)
Handle des GMM.
Ergebnis
Sind die Parameterwerte korrekt, dann liefert
clear_samples_class_gmmclear_samples_class_gmmClearSamplesClassGmmClearSamplesClassGmmClearSamplesClassGmmclear_samples_class_gmm den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird
eine Fehlerbehandlung durchgeführt.
Vorgänger
train_class_gmmtrain_class_gmmTrainClassGmmTrainClassGmmTrainClassGmmtrain_class_gmm,
write_samples_class_gmmwrite_samples_class_gmmWriteSamplesClassGmmWriteSamplesClassGmmWriteSamplesClassGmmwrite_samples_class_gmm
Siehe auch
create_class_gmmcreate_class_gmmCreateClassGmmCreateClassGmmCreateClassGmmcreate_class_gmm,
clear_class_gmmclear_class_gmmClearClassGmmClearClassGmmClearClassGmmclear_class_gmm,
add_sample_class_gmmadd_sample_class_gmmAddSampleClassGmmAddSampleClassGmmAddSampleClassGmmadd_sample_class_gmm,
read_samples_class_gmmread_samples_class_gmmReadSamplesClassGmmReadSamplesClassGmmReadSamplesClassGmmread_samples_class_gmm
Modul
Foundation