Примечание
Перейти в конец, чтобы скачать полный пример кода. или запустить этот пример в вашем браузере через JupyterLite или Binder
Обучение словаря частей лица онлайн
В этом примере используется большой набор данных лиц для обучения набора из 20x20 изображений, составляющих лица.
С точки зрения программирования, это интересно, потому что показывает, как использовать онлайн-API scikit-learn для обработки очень больших наборов данных по частям. Мы загружаем изображение по одному и случайным образом извлекаем 50 фрагментов из этого изображения. После накопления 500 таких фрагментов (используя 10 изображений), мы запускаем метод partial_fit объекта онлайн KMeans, MiniBatchKMeans.
Настройка verbose в MiniBatchKMeans позволяет увидеть, что некоторые кластеры перераспределяются во время последовательных вызовов partial-fit. Это происходит потому, что количество фрагментов, которые они представляют, стало слишком низким, и лучше выбрать новый случайный кластер.
# Authors: The scikit-learn developers # SPDX-License-Identifier: BSD-3-Clause
Загрузка данных
from sklearn import datasets faces = datasets.fetch_olivetti_faces()
Обучение словаря изображений
import time
import numpy as np
from sklearn.cluster import MiniBatchKMeans
from sklearn.feature_extraction.image import extract_patches_2d
print("Learning the dictionary... ")
rng = np.random.RandomState(0)
kmeans = MiniBatchKMeans(n_clusters=81, random_state=rng, verbose=True, n_init=3)
patch_size = (20, 20)
buffer = []
t0 = time.time()
# The online learning part: cycle over the whole dataset 6 times
index = 0
for _ in range(6):
for img in faces.images:
data = extract_patches_2d(img, patch_size, max_patches=50, random_state=rng)
data = np.reshape(data, (len(data), -1))
buffer.append(data)
index += 1
if index % 10 == 0:
data = np.concatenate(buffer, axis=0)
data -= np.mean(data, axis=0)
data /= np.std(data, axis=0)
kmeans.partial_fit(data)
buffer = []
if index % 100 == 0:
print("Partial fit of %4i out of %i" % (index, 6 * len(faces.images)))
dt = time.time() - t0
print("done in %.2fs." % dt)
Learning the dictionary... [MiniBatchKMeans] Reassigning 8 cluster centers. [MiniBatchKMeans] Reassigning 5 cluster centers. Partial fit of 100 out of 2400 [MiniBatchKMeans] Reassigning 3 cluster centers. Partial fit of 200 out of 2400 [MiniBatchKMeans] Reassigning 1 cluster centers. Partial fit of 300 out of 2400 [MiniBatchKMeans] Reassigning 3 cluster centers. Partial fit of 400 out of 2400 Partial fit of 500 out of 2400 Partial fit of 600 out of 2400 Partial fit of 700 out of 2400 Partial fit of 800 out of 2400 Partial fit of 900 out of 2400 Partial fit of 1000 out of 2400 Partial fit of 1100 out of 2400 Partial fit of 1200 out of 2400 Partial fit of 1300 out of 2400 Partial fit of 1400 out of 2400 Partial fit of 1500 out of 2400 Partial fit of 1600 out of 2400 Partial fit of 1700 out of 2400 Partial fit of 1800 out of 2400 Partial fit of 1900 out of 2400 Partial fit of 2000 out of 2400 Partial fit of 2100 out of 2400 Partial fit of 2200 out of 2400 Partial fit of 2300 out of 2400 Partial fit of 2400 out of 2400 done in 1.16s.
Вывод результатов
import matplotlib.pyplot as plt
plt.figure(figsize=(4.2, 4))
for i, patch in enumerate(kmeans.cluster_centers_):
plt.subplot(9, 9, i + 1)
plt.imshow(patch.reshape(patch_size), cmap=plt.cm.gray, interpolation="nearest")
plt.xticks(())
plt.yticks(())
plt.suptitle(
"Patches of faces\nTrain time %.1fs on %d patches" % (dt, 8 * len(faces.images)),
fontsize=16,
)
plt.subplots_adjust(0.08, 0.02, 0.92, 0.85, 0.08, 0.23)
plt.show()
Общее время выполнения скрипта: (0 минут 2.261 секунды)
Связанные примеры
© 2007–2025 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.6/auto_examples/cluster/plot_dict_face_patches.html
