我可以用32位和numpy做特征脸吗？

我目前正试图用numpy实现eigenfaces，但它似乎在与我的32位Linux系统抗争（我使用32位，因为以前64位对flash和java的支持不好，我的处理器是64位…），因为当试图将两个向量相乘以得到矩阵（向量*转置向量）时，numpy给了我

ValueError: broadcast dimensions too large.

我读到这是由于内存太少，可以用64位解决。有什么办法可以避免这种情况吗？矩阵将是528000*528000个元素。根据我的论文，协方差矩阵需要这个大矩阵（将所有这些大矩阵相加，然后除以矩阵的个数）

我的代码如下所示（我不明白numpy为什么会给我一个矩阵，因为对于我的矩阵知识来说，它看起来是错误的（水平*垂直），但它适用于较小尺寸的示例）：

---

正如

pv

已经阐述的那样，试图产生如此巨大的协方差矩阵实际上并不可行

---

但请注意，

phi*phi^T

和

phi^T*phi

的特征向量（在链接中解释）是相关的，这是使问题更易于管理的关键。有关此主题的更多信息，请参见。

您尝试执行的数学运算是什么？单精度浮点的528000*528000矩阵需要1TB的内存，而您可能没有，因此即使在64位上也无法工作。所以，也许你实际上并不想形成这样一个矩阵，但是从上面的描述很难看出你想做什么，因为我的解释能力太差了。我有一个528000维的向量（每个像素都是我理解的维）。现在我需要创建一个带有

vector*vector^T

（其中T代表向量的转置版本）的矩阵，这将生成一个矩阵。然而，他们通常说eigenface是快速和简单的：/所以可能我搞错了什么。公式是：via，其中Phi是向量。感谢wikipedia链接，我将尝试我能做的。@Aufziehvogel:AFAIU

Eigenface

“算法”非常简单，只需使用

numpy

就可以实现。在探索过程中，请随时提出更具体的问题。谢谢

tmp = []
for face in faces: # just an array of all face vectors (len = 528000)
    diff = np.subtract(averageFace, face)
    diff = np.asmatrix(diff)
    tmp.append(np.multiply(diff, np.transpose(diff)))
C = np.divide(np.sum(tmp, axis=0), len(tmp))