Python 打印每个簇的图像

我使用sklearn KMeans来形成图像簇，我在打印每个簇的图像时遇到了困难

我有一个维数为：（10000，100，100，3）的np数组序列

然后我将图像展平，使每一行显示一个图像。列车尺寸：（10000、30000）

我应用了KMeans

from scipy import ndimage

from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=10, random_state=0)

clusters = kmeans.fit_predict(train)

centers = kmeans.cluster_centers_

---

在此之后，我想打印每个集群的图像，

对于十个集群，您将得到十个集群中心。你现在可以把它们打印出来，也可以把它们形象化——我想你会这么做的

import numpy as np
import matplotlib.pyplot as plt

#fake centers 
centers = np.random.random((10,100,100,3))

#print centers
for ci in centers:
    print(ci)

#visualize centers:
for ci in centers: 
    plt.imshow(ci)
    plt.show()

编辑：我知道您不仅希望可视化中心，还希望可视化每个集群中的其他成员

您可以对单个随机成员执行以下操作：

from scipy import ndimage
from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt
import random

#PARAMS
n_clusters=10  

#fake train data
original_train = np.random.random((100, 100, 100, 3)) #100 images of each 100 px,py and RGB 

n,x,y,c = original_train.shape

flat_train = original_train.reshape((n,x*y*c))

kmeans = KMeans(n_clusters, random_state=0)

clusters = kmeans.fit_predict(flat_train)

centers = kmeans.cluster_centers_

#visualize centers:
for ci in centers: 
    plt.imshow(ci.reshape(x,y,c))
    plt.show()

#visualize other members
for cluster in np.arange(n_clusters):

    cluster_member_indices = np.where(clusters == cluster)[0]
    print("There are %s members in cluster %s" % (len(cluster_member_indices), cluster))

    #pick a random member
    random_member = random.choice(cluster_member_indices)
    plt.imshow(original_train[random_member,:,:,:])
    plt.show()

---

对于十个集群，您将获得十个集群中心。你现在可以把它们打印出来，也可以把它们形象化——我想你会这么做的

import numpy as np
import matplotlib.pyplot as plt

#fake centers 
centers = np.random.random((10,100,100,3))

#print centers
for ci in centers:
    print(ci)

#visualize centers:
for ci in centers: 
    plt.imshow(ci)
    plt.show()

编辑：我知道您不仅希望可视化中心，还希望可视化每个集群中的其他成员

您可以对单个随机成员执行以下操作：

from scipy import ndimage
from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt
import random

#PARAMS
n_clusters=10  

#fake train data
original_train = np.random.random((100, 100, 100, 3)) #100 images of each 100 px,py and RGB 

n,x,y,c = original_train.shape

flat_train = original_train.reshape((n,x*y*c))

kmeans = KMeans(n_clusters, random_state=0)

clusters = kmeans.fit_predict(flat_train)

centers = kmeans.cluster_centers_

#visualize centers:
for ci in centers: 
    plt.imshow(ci.reshape(x,y,c))
    plt.show()

#visualize other members
for cluster in np.arange(n_clusters):

    cluster_member_indices = np.where(clusters == cluster)[0]
    print("There are %s members in cluster %s" % (len(cluster_member_indices), cluster))

    #pick a random member
    random_member = random.choice(cluster_member_indices)
    plt.imshow(original_train[random_member,:,:,:])
    plt.show()

---

你试过打印（中心）吗？参考this@NikolasRieble中心形状是（10，100，100，3），所以我只得到10张图片。你试过打印（中心）吗？参考this@NikolasRieble中心的形状是（10，100，100，3），所以我只得到了10张图像，但它只显示了10张图像，如何显示每个中心的一些图像。似乎对集群和中心的含义有一些误解。您使用KMeans将数据分为10个集群。然后，您需要可视化/打印集群的中心。每个集群都有一个中心。然后你会有10个集群中心。你的论点完全正确，但OP可能会问如何打印每个集群的一些图像（即样本），而不是集群中心；无论如何，我不确定在这种情况下打印集群中心有多重要/有趣。我相应地编辑了答案，现在它绘制了一个随机成员。他几乎没有调整，而是绘制了所有成员，绘制了N个成员，等等。但它只显示了10幅图像，如何显示每个中心的一些图像。似乎对集群和中心的含义有一些误解。您使用KMeans将数据分为10个集群。然后，您需要可视化/打印集群的中心。每个集群都有一个中心。然后你会有10个集群中心。你的论点完全正确，但OP可能会问如何打印每个集群的一些图像（即样本），而不是集群中心；无论如何，我不确定在这种情况下打印集群中心有多重要/有趣。我相应地编辑了答案，现在它绘制了一个随机成员。只需稍作调整，他就绘制了所有成员、N个成员等。