Python 为什么"；部分“U型配合”；方法所用的时间比；“适合”；方法

我正在玩scikit学习库的字典学习，我想基于一系列图像构建一个字典。我尝试使用

MiniBatchDictionaryLearning

的

partial\u-fit

方法，并注意到它比

fit

花费的时间要长得多。我的代码外观（以lena为例）：

这需要很长时间才能完成，而如果我用

fit

替换

partial\u fit

。。。这需要几秒钟

（我已经学习了scikit 15.2）

---

这是为什么呢？

这很可能是因为

部分拟合

旨在对小批量数据进行调用

方法

fit

实际上与

partial\u-fit

的作用相同-它调用在线词典学习功能。不同之处在于，

fit

使用对象构造时指示的批量大小，默认情况下为3，而

partial\u-fit

可以处理您提供的完整数据（如果提供的样本太多，这可能需要很长时间。

partial\u-fit

不适用于此）

---

是函数，所以您可以看看发生了什么。

我当时更改了此批大小，但这没有帮助。它不会--

partial\u fit

始终使用整个数据，因为它将其视为一个批。您可以做的是在数据中循环小批，例如xrange（0，len（数据），3）中的I的

：dico.partial\u fit（数据[i:i+3]）

（但是，在这种情况下，您显然应该更喜欢

fit

）似乎您的循环解决方案仍然比fit慢得多。我想知道这是为什么。您的“在那种情况下更喜欢fit”是什么意思？在您的循环示例中？我似乎无法理解这一点。

import numpy as np
from scipy.misc import lena
from sklearn.decomposition import MiniBatchDictionaryLearning
from sklearn.feature_extraction.image import extract_patches_2d

lena = lena()
lena = lena[::2, ::2] + lena[1::2, ::2] + lena[::2, 1::2] + lena[1::2, 1::2]
height, width = lena.shape

patch_size = (7, 7)
data = extract_patches_2d(lena, patch_size)
data = data.reshape(data.shape[0], -1)
dico = MiniBatchDictionaryLearning(n_components=100, n_iter=500,transform_algorithm ='lars', alpha=1,transform_n_nonzero_coefs=5,verbose=1)
dicObj = dico.partial_fit(data)