Python keras zca_美白-无错误，无输出

当使用

zca_美白时

，我的代码被卡在某个地方，既没有显示任何错误，也没有显示输出。当我跳过

zca_白化

并应用其他转换时，代码运行得非常完美。我在这里附上代码片段。如果我在这里做错了什么，请帮助我：

datagen = ImageDataGenerator(zca_whitening=True)
datagen.fit(x_train)

其中>>

x_train

是一组训练图像（dim=50 x 64 x 64 x 3）。运行

datagen.fit

后，代码不会显示进一步的输出或错误，进程似乎会无限期地运行

另一方面，这些转换非常有效：

datagen = ImageDataGenerator(rotation_range=0.90,
    width_shift_range=0.2,
    height_shift_range=0.2,
    fill_mode='nearest',
    horizontal_flip=True,
    vertical_flip=True)
datagen.fit(x_train)

---

这里有我遗漏的东西吗？

修改

x\u train

使其具有形状

（3,64,64）。

您可以使用以下代码来实现这一点：

x\u train=x\u train.transpose（（2,1,0））

---

这主要是由于theano和tensorflow后端之间的切换。检查Keras文档中的

dim\u order

。

我不同意@Avjiit的观点，即问题是由于错误的形状造成的。这个问题很常见，正如keras的主要贡献者一样，问题是zca计算需要非常长的时间，因为它

numpy.linalg.svd（）

，即使在矩阵（n*m*3），n~m~100上，计算量也很大

有一些方法可以计算svd的快速近似值，如随机化svd by、截断svd by、Lanczos方法svd，但它们在数值上并不总是稳定的

我想我找到了另一种非常简单的方法，它非常快速，并且给出了与标准方法完全相同的结果！如果您有一个形状为（m x n）的数据矩阵，其中m比n小得多-例如，您的图像（m~1000）比像素数（n~100 x 100 x 3=30000像素）少得多，则这会有所帮助。在这种情况下，keras将使用

sigma.shape=（300003000）

计算

linalg.svd（sigma）

，这在计算上太费劲了，需要花费很长时间。但是在一个很好的近似中，你可以在（m x m）矩阵上计算奇异值分解，而不是在（n x n）矩阵上计算奇异值分解，只需旋转输入数据x或翻转

sigma

计算的顺序，使其看起来像

sigma=np.dot（flat_x，flat_x.T）/flat_x.shape[0]

。采用这种方法，如果m~1000和n~30000，计算只需约10秒。好的是，

linalg.svd（sigma）

的特征向量在两种情况下都是相同的，直到一个因子，见幻灯片30。您可以在您的数据集上或使用keras中的

在内置cifer集上进行测试。数据集导入cifar10

可以找到数学上的理由并加以说明。为了视觉效果，我分享以下图片：

下面是用于创建zca计算的修改keras代码。您可以使用它修改keras zca代码，位于。我所做的修改是在需要时加入if子句来转置数据矩阵：

from keras.datasets import cifar10
import numpy as np
from scipy import linalg

(X_train, y_train), (X_test, y_test) = cifar10.load_data()
X = X_train[:1000]
flat_x = np.reshape(x, (x.shape[0], x.shape[1] * x.shape[2] * x.shape[3]))

# normalize x:
flat_x = flat_x / 255.
flat_x = flat_x - flat_x.mean(axis=0)

# CHANGES HAPPEN BELOW.
# if m>n execute the svd as usual
if flat_x.shape[0] => flat_x.shape[1]:
    sigma = np.dot(flat_x.T, flat_x) / flat_x.shape[0]
    u, s, _ = linalg.svd(sigma)
# and if m<n do the trnaspose trick
if flat_x.shape[0] < flat_x.shape[1]:
    sigma = np.dot(flat_x, flat_x.T) / flat_x.shape[0]
    u, s, _ = linalg.svd(sigma)
    u = np.dot(flat_x.T, u) / np.sqrt(s*flat_x.shape[0])

s_inv = 1. / np.sqrt(s[np.newaxis] + 0.1) # the 0.1 is the epsilon value for zca
principal_components = (u * s_inv).dot(u.T)
whitex = np.dot(flat_x, principal_components)

从keras.dataset导入cifar10
将numpy作为np导入
来自scipy进口公司
（X_列，y_列），（X_测试，y_测试）=cifar10.负载数据（）
X=X_列车[：1000]
平面x=np.重塑（x，（x.形状[0]，x.形状[1]*x.形状[2]*x.形状[3]））
#标准化x：
平展x=平展x/255。
平面x=平面x-平面x平均值（轴=0）
#变化发生在下面。
#如果m>n，则像往常一样执行svd
如果平面形状[0]=>平面形状[1]：
sigma=np.dot（平面x.T，平面x）/平面x.shape[0]
u、 s，u=线性奇异值（西格玛）
#如果你能修改x_序列的形状为（3,64,64），然后应用zca_美白？是的，成功了！谢谢@AvijitDasgupta。我想知道为什么只有在zca_美白的情况下它才不同。那么我写这个作为一个答案，你可能会接受它。我有同样的问题，但到2020年这不起作用。通过形状为
（3,64,64）
的
x_列车
，会导致keras发出警告，警告应为4个尺寸。制作形状
（1,3,64,64）
会导致警告，不应该有64个颜色通道。你能再提一个建议吗？试着提出（1，64，64，3）