TensorFlow 系列案例（4）及Pytorch 实现K-Means聚类算法
本文参考网络资料，将通过三种方式实现K-Means聚类算法。（代码均来源于网络，在此致谢互联网人工智能大牛们的奉献）
- 传统的机器学习K-Means聚类算法
- TensorFlow实现K-Means聚类算法
- Pytorch实现K-Means聚类算法
K-MEANS算法是输入聚类个数k，以及包含 n个数据对象的数据库，输出满足方差最小标准k个聚类的一种算法。k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。
基本步骤 （1） 从 n个数据对象任意选择 k 个对象作为初始聚类中心； （2） 根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分； （3） 重新计算每个（有变化）聚类的均值（中心对象）； （4） 计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止；如果条件不满足则回到步骤（2）。
K值按WCSS计算方法进行选取。
传统的机器学习K-Means聚类算法：
# -*- coding: utf-8 -*-
import numpy as np
from numpy.linalg import cholesky
import matplotlib.pyplot
