本仓库包含一个使用 PyTorch 实现的、基于期望-最大化算法训练的简单 高斯混合模型（GMM）。其接口设计与 scikit-learn 非常相似。

---

可以通过调用 gmm.GaussianMixture(..) 并传入组件数量及张量维度来实例化一个新的模型。请注意，模型实例化后，输入的张量应为展平后的形状 (n, d)。

通常，第一步是通过 model.fit(data) 来拟合模型，随后使用 model.predict(data) 进行预测。若想复现上述图表，直接运行提供的 example.py 即可。

可以通过运行 python test.py 执行一些基本的正确性检查。若要在 GPU 上拟合数据，请确保先调用 model.cuda()。

gmm-torch 快速上手指南

环境准备

• 系统要求：支持 Linux、macOS 或 Windows
• 前置依赖：
  • Python 3.6+
  • PyTorch（建议安装最新稳定版）
  • NumPy

💡 国内加速建议：安装 PyTorch 时推荐使用清华或中科大镜像源，例如：

pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

克隆本仓库并进入目录：

git clone https://github.com/your-repo/gmm-torch.git
cd gmm-torch

确保已安装 PyTorch，若无则通过以下命令安装（使用国内镜像）：

pip install torch --index-url https://pypi.tuna.tsinghua.edu.cn/simple

本项目无需额外安装，直接导入 gmm 模块即可使用。

基本使用

以下是一个最简单的使用示例，演示如何创建模型、拟合数据并进行预测：

import torch
import gmm

# 生成示例数据 (n 个样本，d 维特征)
data = torch.randn(1000, 2)

# 实例化模型：指定组件数量和特征维度
model = gmm.GaussianMixture(n_components=2, dim=2)

# 若使用 GPU，请先将模型移至 CUDA
# model.cuda()
# data = data.cuda()

# 拟合模型
model.fit(data)

# 预测每个样本所属的混合成分
predictions = model.predict(data)

print(predictions)

运行官方示例复现图示效果：

python example.py

执行测试验证安装是否正常：

python test.py