推断心理嵌入的工具箱。
psiz的Python项目详细描述
PSIZ：心理植入包
目的
PSIZ提供计算工具，从顺序相似关系推断一组刺激的连续、多变量表示。
安装
安装PSIZ有两种方法：
- 使用pip从pypi安装：
pip install psiz - 从git中心克隆：https://github.com/roads/psiz.git
注意：PSIZ还需要TensorFlow，因为它不作为PSIZ包的依赖项（在setup.py中）包含，所以不会自动安装。必须显式安装最新的稳定tensorflow包（tensorflow或tensorflow gpu）。这允许用户指定是否使用启用gpu的tensorflow版本。
快速启动
有四种预定义的嵌入模型可供选择：
- 逆
- 指数型
- 沉重的
- 学生ST
选择嵌入模型后，必须提供两条信息才能推断嵌入。
- 相似性判断观察（简称obs）。
- 嵌入的唯一刺激的数量。
frompsizimportdatasetsfrompsiz.modelsimportExponential# Load some observations (i.e., judged trials).(obs,catalog)=datasets.load_dataset('birds-16')# Initialize an embedding model.emb=Exponential(catalog.n_stimuli)# Fit the embedding model using similarity judgment observations.emb.fit(obs)# Optionally save the fitted model.emb.save('my_embedding.h5')
试验和观察
通过将一个模型拟合到一组观测值来进行推断。在这个软件包中，单个观察由多个刺激组成，这些刺激是由一个代理（人类或机器）根据它们的相似性来判断的。
在最简单的情况下，观察是从由三个刺激组成的试验中获得的：一个查询刺激（q）和两个参考刺激（a和b）。代理选择他们认为更类似于查询刺激的引用刺激。对于这个简单的试验，有两种可能的结果。如果受试者选择了参考A，则第i次试验的观察结果将记录为向量：
迪伊=[q a b]
或者，如果该试剂选择了参比物B，则观察结果将记录为：
迪伊=[q b a]
除了一个简单的\emph{triplet}试用版之外，这个包还可以处理许多不同的试用配置。一个试验可能有2-8个参考刺激，并且可能需要一个试剂来选择和排列多个参考刺激。
常见用例
或者，您也可以提供其他信息。
- 嵌入的维度（默认值为2）。
- 唯一填充组的数目（默认值为1）。
n_stimuli=100emb=psiz.models.Exponential(n_stimuli,n_dim=4,n_group=2)emb.fit(obs)
如果您已经知道一些自由参数，可以将它们设置为所需的值，然后使这些参数不可访问。
n_stimuli=100emb=psiz.models.Exponential(n_stimuli,n_dim=2)emb.rho=2emb.tau=1emb.trainable({'rho':False,'tau':False})emb.fit(obs)
模块
dimensionality-选择嵌入维度的函数。generator-随机或使用主动选择生成新的试验。models-一组预定义的pscyhological嵌入模型。preprocess-用于预处理观测的函数。simulate-模拟做出相似性判断的代理。trials-用于试验和观察的数据结构。utils-实用函数。visualize-可视化嵌入的函数。datasets-用于加载预收集数据集的函数。
作者
- 布雷特D.路
- 迈克尔·莫泽
- 另请参阅参与此项目的贡献者列表。
名字里有什么？
psiz这个名字（发音为sigh zeee）是psychological embedding这个词的缩写。希腊字母psi通常用来表示心理学领域，而矩阵变量z通常用于机器学习来表示潜在的特征空间。
许可证
此项目是在ApacheLicense2.0下授权的—有关详细信息，请参阅license.txt文件。
参考文献
- Van der Maaten，L.，&Weinberger，K.（2012年，九月）。随机三重态 嵌入。用于信号处理的机内学习（MLSP），2012年IEEE 国际讲习班（第1-6页）。doi:10.1109/mlsp.2012.6349720
- Roads，B.D.，&Mozer，M.C.（出版中）。获得心理 通过联合核和度量学习嵌入。行为研究 方法。
- Wah，C.，Branson，S.，Welinder，P.，Perona，P.，和Belongie，S.（2011年）。这个 加州理工大学UCSD Birds-200-2011数据集（技术报告编号：CNS-TR-2011-001）。 加州理工学院。
欢迎加入QQ群-->： 979659372
