tensorflow对sklearn中PCA的影响

最近在写论文，需要重新做一下之前的实验以确定结果无误。

论文对比了基于传统的PCA+LDA+SVM的方法和基于CNN的方法。

重新实验的是传统方法，之前分类准确率在70%-80%左右，但是在这次复现时发现稳定10%，一看预测结果全是某一个类别，我用脚趾头猜也知道是出错了，期间查了两天。

第一天，考虑是不是PCA的随机性问题，所以写了个程序，跑了250000次，成功跑满了24小时，结果没什么差别，大概猜到不是随机性的问题了，因为大数定理告诉我，这不可能- - !（跑实验期间吃了一天的鸡，2333333333）

第二天，在想是不是哪个包更新了，捣鼓了conda、pycharm，发现没问题。然后绞尽脑汁地想现在的脚本和之前有什么不同，仔细一想，不同的地方太多了。。。。

没办法，一个个查，从输入文件，到数据处理，都没问题。

最后定位于PCA，就这家伙出问题了。因为之前用PCA+SVM结果大概有60%，现在只有20%-30%，而只用SVM的话，结果很稳定。

定位在PCA上，然后尝试了无数种PCA的组合，什么copy=True，什么核PCA，都没用，最后又回到大家来找茬的阶段。

仔细一想，之前做过CNN+统计特征的实验，用了tensorflow，所以有一句
import tensorflow as tf尝试性地把它给注释了，苍天！！！！！！！复现了！！！居然复现了！！！！

不过我现在还是不知道原因，不过这个事儿给了我几个教训。

1. git是个好东西
2. pycharm自带local history也是个好东西
3. 查问题的时候还得静心，不要被吃鸡诱惑了。

此处记录一下各种环境、版本。

1. scikit-learn: 0.19.1
2. tensorflow: 1.3.0
3. pycharm : 2017.3 unbuntu 版本 社区版
4. python2.7

PS：有知道为什么的烦请评论留言，感激不尽。