K-means
<h1>什么是K-means?</h1>
<p>k-means是非常经典且有效的聚类方法，通过计算样本之间的距离（相似程度）将较近的样本聚为同一类别（簇）。</p>
<h1>k-means算法主要流程</h1>
<ol>
<li>手动设定簇的个数k，假设k=2；</li>
<li>在所有样本中随机选取k个样本作为簇的初始中心，如下图（random clusters）中两个黄色的小星星代表随机初始化的两个簇中心；</li>
<li>计算每个样本离每个簇中心的距离（这里以欧式距离为例），然后将样本划分到离它最近的簇中。如下图（step 0）用不同的颜色区分不同的簇；</li>
<li>更新簇的中心，计算每个簇中所有样本的均值（方法不唯一）作为新的簇中心。如下图（step 1）所示，两个黄色的小星星已经移动到对应簇的中心；</li>
<li>重复第3步到第4步直到簇中心不在变化或者簇中心变化很小满足给定终止条件。如下图（step2）所示，最终聚类结果。
<img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=0bd52122c6ab127bb2681f61e0a17585&amp;file=file.jpg" alt="" /></li>
</ol>
<h1>k-means在yolo v2中怎么聚类得到anchor尺寸的？</h1>