pycharm训练数据慢_Python Kernel PCA降维-cifar100数据集

最新推荐文章于 2024-06-28 17:40:49 发布

东方捕

最新推荐文章于 2024-06-28 17:40:49 发布

阅读量375

点赞数

文章标签： pycharm训练数据慢

本文链接：https://blog.csdn.net/weixin_35735088/article/details/112152008

版权

本文对比了线性与余弦核函数在CIFAR100数据集上的PCA降维效果，探讨了RBF核函数的gamma参数调优，发现在主成分个数300时，gamma=6的重构误差最小。同时，由于sigmoid和rbf是非线性，未展示其测试集重构图像。

摘要由CSDN通过智能技术生成

Part1.准备工作

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt  # 绘图库
import matplotlib as mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']  #显示中文SimHei,FangSong,KaiTi,YouYuan

# 设置路径
file1 = 'E:/Pycharm_projects/cifar-100-python/train'
file2 = 'E:/Pycharm_projects/cifar-100-python/meta'
file3 = 'E:/Pycharm_projects/cifar-100-python/test'

def unpickle(file):  # 该函数将cifar100提供的文件读取到python的数据结构(字典)中
    import pickle
    fo = open(file, 'rb')
    dict = pickle.load(fo, encoding='iso-8859-1')
    fo.close()
    return dict

def get_data(file):  #读取数据
    dict_train_batch1 = unpickle(file)
    X= dict_train_batch1.get('data')
    y= dict_train_batch1.get('fine_labels')
    return X, y

# 像素矩阵转为图片
def MatrixToImage(data):
    return Image.fromarray(data.astype(np.uint8))

# 转为灰度图像
def get_greydata(matrix):
    return np.array(MatrixToImage(matrix).convert('L'))

# 转为彩色图像
def get_colordata(matrix):
    return np.array(MatrixToImage(matrix))

#将3072的向量数据转化为图片展示
def Vector_pic(x):
    matrix = get_colordata((x.reshape(3, 32, 32)).T)
    plt.imshow(Image.fromarray(np.uint8(matrix)))
    plt.show()

#导入数据
X_train, y_train = get_data(file1)   #500张图片，100类
y_train = np.array(y_train)
X_test,y_test=get_data(file3)

Part2.线性和余弦KPCA对比

#选取前3类做训练集-1500张
index=[i in range(3) for i in y_train]
X_train3=X_train[index]
y_train3=y_train[index]

from sklearn.decomposition import KernelPCA as KPCA
from sklearn.metrics import mean_squared_error  # 均方误差
import time
import math
n_components=[round(math.pow(2,i)) for i in np.linspace(3,10,15)]  #2^3-2^10间15个不同的主成分数目

time_start = time.time()  # 计时
kernels = ["linear", "cosine"]
mse = list()  # 同一核函数不同主成分下的均方误差

for kernel in kernels:
    for i in n_components:
        kpca = KPCA(n_components=int(i), kernel=kernel, fit_inverse_transf