將w的每一行想成一個樣本，則第一行是最重要的樣本。。第二行次重要。。(Wk特征engen face)

CODE

我們使用lfw_people數據集

#人臉識別與特征臉

import numpy as np

import matplotlib.pyplot as plt

from sklearn.datasets import fetch_lfw_people

這個數據集很大有200多m直接用fetch命令下載卻失敗了，手動下載數據

鏈接：https://pan.baidu.com/s/11ebeCTH7E24XAgYVL7y_-A

提取碼：3gut

復制這段內容后打開百度網盤手機App，操作更方便哦

放在這個目錄下面，解壓(job本來沒有，重新啟動一下jupyter運行一下就ok了)

也是一個字典結構

faces.keys()

dict_keys(['data', 'images', 'target', 'target_names', 'DESCR'])

看看data的大小

print(faces.data.shape)

(13233, 2914)

print(faces.images.shape)

62*47 = 2914

(13233, 62, 47)

打亂索引

random_indexs = np.random.permutation(len(faces.data))

X = faces.data[random_indexs]

example_faces = X[:36,:]

print(example_faces.shape)

(36,2914)

繪制36幅圖片

#cmap 改變繪制風格，cmaps['Sequential'] = [

# 'Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds',

# 'YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu',

# 'GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn']

def plot_faces(faces):

fig,axes = plt.subplots(6,6,figsize = (10,10),

subplot_kw = {'xticks':[],'yticks':[]},

gridspec_kw =dict(hspace = 0.1,wspace = 0.1))

for i ,ax in enumerate(axes.flat):

ax.imshow(faces[i].reshape(62,47),

cmap='bone')

plot_faces(example_faces)

特征臉

使用隨機方式求PCA，數據量較大

#特征臉

from sklearn.decomposition import PCA

pca = PCA(svd_solver='randomized')#使用隨機的方式求pca,數據較大

%time pca.fit(X)

Wall time: 32.3 s

特征臉矩陣大小

print(pca.components_.shape)

(2914, 2914)

還可以繪制36-73

繪制特征臉

plot_faces(pca.components_[:36,:])#繪制特征臉，第一張就很簡單只有輪廓，越往后細節越多

標簽：2914,people,Python,36,shape,lfw,faces,pca,data

來源： https://blog.csdn.net/weixin_46815330/article/details/110912694

總結

以上是生活随笔為你收集整理的lfw分类 python_Python机器学习：PCA与梯度上升：009人脸识别与特征脸（lfw_people数据集）...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。