Python 在sklearn.decomposition.DictionaryLearning中拟合变换输出与组件

我试图理解fit_transform方法和sklearn.decomposition.DictionaryLearning中的组件数组返回的值

从it-Seeken fit_transform返回稀疏表示的输入数据和包含原子的组件

我使用以下代码对数字数据集运行了sklearn.decomposition.DictionaryLearning：

sample_data=digits.data[:40,:]    
dl = DictionaryLearning(n_components=36, fit_algorithm='lars', transform_algorithm='lasso_lars')
    X_dict = dl.fit_transform(sample_data) 

fig, ax = plt.subplots(6, 6, figsize=(8, 8))

samples = [dl.components_[x].reshape((8, 8)) for x in range(34)]

for i in range(6):
    for j in range(6):
        ax[i, j].set_axis_off()
        ax[i, j].imshow(samples[(i * 5) + j], cmap='gray')

plt.show()

当我使用以下代码绘制fit_transform返回的X_dict（根据文档，它是转换后的输入数据）时：

fig = plt.figure(figsize=(6, 6))
for i in range(36):
    ax = fig.add_subplot(6, 6, i + 1, xticks=[], yticks=[])
    ax.imshow(X_dict.reshape(-1, 6, 6)[i], cmap='Greys_r',
              interpolation='nearest') 

这就是我得到的：

当我使用以下代码绘制组件（应打印原子）的内容时：

sample_data=digits.data[:40,:]    
dl = DictionaryLearning(n_components=36, fit_algorithm='lars', transform_algorithm='lasso_lars')
    X_dict = dl.fit_transform(sample_data) 

fig, ax = plt.subplots(6, 6, figsize=(8, 8))

samples = [dl.components_[x].reshape((8, 8)) for x in range(34)]

for i in range(6):
    for j in range(6):
        ax[i, j].set_axis_off()
        ax[i, j].imshow(samples[(i * 5) + j], cmap='gray')

plt.show()

这就是我得到的：

现在我的问题是，这是正确的吗？从我对字典学习的理解来看，我觉得第一个图像看起来更像原子，而后者看起来更像转换后的输入

谁能解释一下原子和转换数据之间的区别，告诉我这些图像中的哪个是哪个