稀疏表示以及字典學習
1.什麼是稀疏表示:
假設我們用一個M*N的矩陣表示資料集X,每一行代表一個樣本,每一列代表樣本的一個屬性,一般而言,該矩陣是稠密的,即大多數元素不為0。 稀疏表示的含義是,尋找一個係數矩陣A(K*N)以及一個字典矩陣B(M*K),使得B*A儘可能的還原X,且A儘可能的稀疏。A便是X的稀疏表示。
南大周志華老師寫的《機器學習》這本書上原文:“為普通稠密表達的樣本找到合適的字典,將樣本轉化為合適的稀疏表達形式,從而使學習任務得以簡化,模型複雜度得以降低,通常稱為‘字典學習’(dictionary learning),亦稱‘稀疏編碼’(sparse coding)”塊內容。
表達為優化問題的話,字典學習的最簡單形式為:
其中xi為第i個樣本,B為字典矩陣,aphai為xi的稀疏表示,lambda為大於0引數。
上式中第一個累加項說明了字典學習的第一個目標是字典矩陣與稀疏表示的線性組合儘可能的還原樣本;第二個累加項說明了alphai應該儘可能的稀疏。之所以用L1正規化是因為L1正規化正則化更容易獲得稀疏解。具體原因參看該書11.4章或移步機器學習中的範數規則化之(一)L0、L1與L2範數。字典學習便是學習出滿足上述最優化問題的字典B以及樣本的稀疏表示A(A{alpha1,alpha2,…,alphai})。
2.字典學習:
該演算法理論包含兩個階段:字典構建階段(Dictionary Generate)和利用字典(稀疏的)表示樣本階段(Sparse coding with a precomputed dictionary)。這兩個階段(如下圖)的每個階段都有許多不同演算法可供選擇,每種演算法的誕生時間都不一樣,以至於稀疏字典學習的理論提出者已變得不可考。筆者嘗試找了Wikipedia和Google Scolar都無法找到這一系列理論的最早發起人。
出處:http://www.mamicode.com/info-detail-1568956.html
字典學習的第一個好處——它實質上是對於龐大資料集的一種降維表示。第二,正如同字是句子最質樸的特徵一樣,字典學習總是嘗試學習蘊藏在樣本背後最質樸的特徵(假如樣本最質樸的特徵就是樣本最好的特徵).稀疏表示的本質:用盡可能少的資源表示儘可能多的知識,這種表示還能帶來一個附加的好處,即計算速度快。我們希望字典裡的字可以盡能的少,但是卻可以儘可能的表示最多的句子。這樣的字典最容易滿足稀疏條件。也就是說,這個“字典”是這個“稀疏”私人訂製的。
第二部分 稀疏字典學習的Python實現
用Python實現稀疏字典學習需要三個前提條件
1.安裝NumPy
2.安裝SciPy
3.安裝Python機器學習工具包sklearn
為了避免過於麻煩的安裝,這裡我乾脆建議諸位讀者安裝Python的商業發行版Anaconda,內含python整合開發環境和數百個常用的python支援包。具體安裝過程和使用細節參見我的部落格附錄D Python介面大法。
樣例一:圖片的稀疏字典學習
這段程式碼來源於Python的Dictionary Learning的官方文獻教材,主要用途是教會使用者通過字典學習對圖片進行濾波處理。
step1:首先是各種工具包的匯入和測試樣例的匯入
from time import time
import matplotlib.pyplot as plt
import numpy as np
import scipy as sp
from sklearn.decomposition import MiniBatchDictionaryLearning
from sklearn.feature_extraction.image import extract_patches_2d
from sklearn.feature_extraction.image import reconstruct_from_patches_2d
from sklearn.utils.testing import SkipTest
from sklearn.utils.fixes import sp_version
if sp_version < (0, 12):
raise SkipTest("Skipping because SciPy version earlier than 0.12.0 and "
"thus does not include the scipy.misc.face() image.")
try:
from scipy import misc
face = misc.face(gray=True)
except AttributeError:
# Old versions of scipy have face in the top level package
face = sp.face(gray=True)
第1行:匯入time模組,用於測算一些步驟的時間消耗
第3~5行:匯入Python科學計算的基本需求模組,主要包括NumPy(矩陣計算模組)、SciPy(科學計算模組)和matplotlib.pyplot模組(畫圖)。有了這三個模組,Python儼然已是基礎版的Matlab。
第7~11行:匯入稀疏字典學習所需要的函式,下面分行解釋
第7行:匯入MiniBatchDictionaryLearning,MiniBatch是字典學習的一種方法,這種方法專門應用於大資料情況下字典學習。當資料量非常大時,嚴格對待每一個樣本就會消耗大量的時間,而MiniBatch通過降低計算精度來換取時間利益,但是仍然能夠通過大量的資料學到合理的詞典。換言之,普通的DictionaryLearning做的是精品店,量少而精,但是價格高。MiniBatchDictionaryLearning做的是批發市場,量大不精,薄利多銷。
第8行:匯入碎片提取函式extract_patches_2d。呼叫該函式將一張圖片切割為一個一個的patch。如果一張圖片相當於一篇文章的話,那麼該函式的目標就是把文章中的每個句子都找到,這樣才方便提取蘊藏在每個句子中的字。圖片和patch的關係如下圖所示:
第9行:匯入圖片復原函式reconstruct_from_patches_2d,它可以通過patch復原一整張圖片。
第10行:匯入測試工具nose下的異常丟擲函式SkipTest
第11行:匯入SciPy版本檢測函式sp_version用於檢測版本高低,版本低於0.12的SciPy沒有我們需要的樣本測試用例
第13~15行:檢測SciPy版本,如果版本太低就丟擲一個異常。程式執行結束
第16~21行:嘗試開啟樣本測試用例,如果打不開就丟擲一個異常。
step2:通過測試樣例計算字典V
# Convert from uint8 representation with values between 0 and 255 to
# a floating point representation with values between 0 and 1.
face = face / 255.0
# downsample for higher speed
face = face[::2, ::2] + face[1::2, ::2] + face[::2, 1::2] + face[1::2, 1::2]
face = face / 4.0
height, width = face.shape
# Distort the right half of the image
print(‘Distorting image...‘)
distorted = face.copy()
distorted[:, width // 2:] += 0.075 * np.random.randn(height, width // 2)
# Extract all reference patches from the left half of the image
print(‘Extracting reference patches...‘)
t0 = time()
patch_size = (7, 7)
data = extract_patches_2d(distorted[:, :width // 2], patch_size)
data = data.reshape(data.shape[0], -1)
data -= np.mean(data, axis=0)
data /= np.std(data, axis=0)
print(‘done in %.2fs.‘ % (time() - t0))
print(‘Learning the dictionary...‘)
t0 = time()
dico = MiniBatchDictionaryLearning(n_components=100, alpha=1, n_iter=500)
V = dico.fit(data).components_
dt = time() - t0
print(‘done in %.2fs.‘ % dt)
plt.figure(figsize=(4.2, 4))
for i, comp in enumerate(V[:100]):
plt.subplot(10, 10, i + 1)
plt.imshow(comp.reshape(patch_size), cmap=plt.cm.gray_r,
interpolation=‘nearest‘)
plt.xticks(())
plt.yticks(())
plt.suptitle(‘Dictionary learned from face patches\n‘ +
‘Train time %.1fs on %d patches‘ % (dt, len(data)),
fontsize=16)
plt.subplots_adjust(0.08, 0.02, 0.92, 0.85, 0.08, 0.23)#left, right, bottom, top, wspace, hspace
第3行:讀入的face大小在0~255之間,所以通過除以255將face的大小對映到0~1上去
第6~7行:對圖形進行取樣,把圖片的長和寬各縮小一般。記住array矩陣的訪問方式 array[起始點:終結點(不包括):步長]
第8行:圖片的長寬大小
第12行:將face的內容複製給distorted,這裡不用等號因為等號在python中其實是地址的引用。
第13行:對照片的右半部分加上噪聲,之所以左半部分不加是因為教材想要產生一個對比的效果
第17行:開始計時,並儲存在t0中
第18行:tuple格式的pitch大小
第19行:對圖片的左半部分(未加噪聲的部分)提取pitch
第20行:用reshape函式對data(94500,7,7)進行整形,reshape中如果某一位是-1,則這一維會根據(元素個數/已指明的維度)來計算這裡經過整形後data變成(94500,49)
第21~22行:每一行的data減去均值除以方差,這是zscore標準化的方法
第26行:初始化MiniBatchDictionaryLearning類,並按照初始引數初始化類的屬性
第27行:呼叫fit方法對傳入的樣本集data進行字典提取,components_返回該類fit方法的運算結果,也就是我們想要的字典V
第31~41行:畫出V中的字典,下面逐行解釋
第31行:figsize方法指明圖片的大小,4.2英寸寬,4英寸高。其中一英寸的定義是80個畫素點
第32行:迴圈畫出100個字典V中的字
第41行:6個引數與註釋後的6個屬性對應
執行程式,檢視輸出結果:
step3:畫出標準影象和真正的噪聲,方便同之後字典學習學到的噪聲相比較
def show_with_diff(image, reference, title):
"""Helper function to display denoising"""
plt.figure(figsize=(5, 3.3))
plt.subplot(1, 2, 1)
plt.title(‘Image‘)
plt.imshow(image, vmin=0, vmax=1, cmap=plt.cm.gray,
interpolation=‘nearest‘)
plt.xticks(())
plt.yticks(())
plt.subplot(1, 2, 2)
difference = image - reference
plt.title(‘Difference (norm: %.2f)‘ % np.sqrt(np.sum(difference ** 2)))
plt.imshow(difference, vmin=-0.5, vmax=0.5, cmap=plt.cm.PuOr,
interpolation=‘nearest‘)
plt.xticks(())
plt.yticks(())
plt.suptitle(title, size=16)
plt.subplots_adjust(0.02, 0.02, 0.98, 0.79, 0.02, 0.2)
show_with_diff(distorted, face, ‘Distorted image‘)
程式輸出如下圖所示:
step4:測試不同的字典學習方法和引數對字典學習的影響
print(‘Extracting noisy patches... ‘)
t0 = time()
data = extract_patches_2d(distorted[:, width // 2:], patch_size)
data = data.reshape(data.shape[0], -1)
intercept = np.mean(data, axis=0)
data -= intercept
print(‘done in %.2fs.‘ % (time() - t0))
transform_algorithms = [
(‘Orthogonal Matching Pursuit\n1 atom‘, ‘omp‘,
{‘transform_n_nonzero_coefs‘: 1}),
(‘Orthogonal Matching Pursuit\n2 atoms‘, ‘omp‘,
{‘transform_n_nonzero_coefs‘: 2}),
(‘Least-angle regression\n5 atoms‘, ‘lars‘,
{‘transform_n_nonzero_coefs‘: 5}),
(‘Thresholding\n alpha=0.1‘, ‘threshold‘, {‘transform_alpha‘: .1})]
reconstructions = {}
for title, transform_algorithm, kwargs in transform_algorithms:
print(title + ‘...‘)
reconstructions[title] = face.copy()
t0 = time()
dico.set_params(transform_algorithm=transform_algorithm, **kwargs)
code = dico.transform(data)
patches = np.dot(code, V)
patches += intercept
patches = patches.reshape(len(data), *patch_size)
if transform_algorithm == ‘threshold‘:
patches -= patches.min()
patches /= patches.max()
reconstructions[title][:, width // 2:] = reconstruct_from_patches_2d(
patches, (height, width // 2))
dt = time() - t0
print(‘done in %.2fs.‘ % dt)
show_with_diff(reconstructions[title], face,
title + ‘ (time: %.1fs)‘ % dt)
plt.show()
第3行:提取照片中被汙染過的右半部進行字典學習。
第10~16行:四中不同的字典表示策略
第23行:通過set_params對第二階段的引數進行設定
第24行:transform根據set_params對設完引數的模型進行字典表示,表示結果放在code中。code總共有100列,每一列對應著V中的一個字典元素,所謂稀疏性就是code中每一行的大部分元素都是0,這樣就可以用盡可能少的字典元素表示回去。
第25行:code矩陣乘V得到復原後的矩陣patches
第28行:將patches從(94500,49)變回(94500,7,7)
第32行:通過reconstruct_from_patches_2d函式將patches重新拼接回圖片
該程式輸出為四中不同轉換演算法下的降噪效果:
第二部分程式碼出處:
http://www.mamicode.com/info-detail-1568956.html
相關推薦
稀疏表示以及字典學習
1.什麼是稀疏表示: 假設我們用一個M*N的矩陣表示資料集X,每一行代表一個樣本,每一列代表樣本的一個屬性,一般而言,該矩陣是稠密的,即大多數元素不為0。 稀疏表示的含義是,尋找一個係數矩陣A(K*N)以及一個字典矩陣B(M*K),使得B*A儘可能的
稀疏表示和字典學習
1. 引言 近年來,隨著晶片、感測器、儲存器以及其他硬體裝置的快速發展,很多領域都面臨著資料量過大、處理時間過長的問題。傳統的訊號處理方式已經無法滿足人們對大量資料處理的需求,簡潔、高效、稀疏的訊號表示方法是人們研究、關注的熱點。稀疏表示和字典學習方法在解決資料量過大的問題上有獨特的優勢,稀疏表示和字典
稀疏矩陣、稠密矩陣、稀疏表示、字典學習概念
稀疏矩陣:矩陣中0元素的個數遠大於非零,且0元素分佈無規律。稠密矩陣:稀疏矩陣反之。稀疏表示:尋找一個係數矩陣A(K*N)以及一個字典矩陣B(M*K),使得B*A儘可能的還原X,且A儘可能的稀疏。A便是X的稀疏表示。 書上原文為(將一個大矩陣變成兩個小矩陣,而達到壓縮)字典學
稀疏表示+子空間學習 (ICCV2011)
http://blog.csdn.net/yihaizhiyan/article/details/7633658 解讀文獻:L. Zhang, P. Zhu, Q. Hu and D. Zhang, “A Linear Subspace Learning Approach
高維數據稀疏表示-什麽是字典學習(過完備詞典)
字典 cnblogs href title itl pos tle logs post 高維數據稀疏表示-什麽是字典學習(過完備詞典) http://www.cnblogs.com/Tavion/p/5166695.html高維數據稀疏表示-什麽是字典學習(過完備詞典)
字典學習與稀疏表示
字典學習(Dictionary Learning)和稀疏表示(Sparse Representation)在學術界的正式稱謂應該是稀疏字典學習(Sparse Dictionary Learning)。該演算法理論包含兩個階段:字典構建階段(Dictionary
IEEE Trans 2006 使用K-SVD構造超完備字典以進行稀疏表示(稀疏分解)
收縮 ons net 求逆 最大似然法 隨機 出了 約束 如同 K-SVD可以看做K-means的一種泛化形式,K-means算法總每個信號量只能用一個原子來近似表示,而K-SVD中每個信號是用多個原子的線性組合來表示的。 K-SVD算法總體來說可以分成兩步,首先給
稀疏表示字典的顯示(MATLAB實現程式碼)
本文主要是實現論文--基於稀疏表示的影象超解析度《Image Super-Resolution Via Sparse Representation》中的Figure2,通過對100000個高解析度和低解析度影象塊訓練得到的高解析度影象塊字典,字典原子總數為512,影象塊尺寸
基於稀疏表示學習的圖像分類
網絡 公式 nbsp 數據 嵌入 tps 線性 技術分享 函數 Deep Sparse Representation-based Classification 代碼:https://github.com/mahdiabavisani/DSRC 網絡結構 網絡結構分
記錄在mac中安裝maven,jdk,以及命令學習!!!
touch 記錄 打開 blank jdk1 行編輯 get 執行 cgi 1:安裝jdk,直接全部下一步即可。 2:安裝maven,首先下載Maven: http://maven.apache.org/download.cgi 3:下載完之後解壓到文件夾 4:打開終端 配
fastText一個庫用於詞表示的高效學習和句子分類
包括 div itl bar standard nump for each mil skip fastText fastText 是 Facebook 開發的一個用於高效學習單詞呈現以及語句分類的開源庫。 要求 fastText 使用 C++11
python學習(五)字典學習
pam 支持 ima adding 測試 僅支持 簡單 append anti #!/usr/bin/python # 字典 # 當時學java的時候, 語言基礎就學了好久, 然後是各種API, 最後才是集合 # 鍵值對, 可變 # 1. 映射操作 D = {‘f
稀疏表示的高光譜分類
訓練 dict 什麽 最好 基本概念 流程 現在 名稱 我們 下圖是一個稀疏表示模型 1.稀疏系數: 最右邊的α, 白色小格子表示0,有色小格子表示非0數(0,1),稀疏的意思就是非零系數很少。 2.字典:相信大家在做科研的時候,應該都聽說過字典Dictionary,
3.了解linux系統以及搭建學習環境
基礎 軟件工程 store 開放 sos 時間 它的 情況 XML 目錄: 1.linux的前世今生. 2.企業如何選擇linux系統? 3.如何在虛擬機上安裝linux系統?搭建學習環境. 1.linux的前世今生. 1).起源:先是貝爾實驗室的Unix系統,因為各家對於
python——元組和字典學習筆記
deepcopy 例子 [] items 是個 rev put 次數 style 1.count返回值的次數 list=[2,2,2,3,3,3,3,4,4,4] a={} for i in list: if list.count(i)>1:
稀疏表示
稀疏表示信號分解圖像識別稀疏表示定義稀疏表示的數學本質就是稀疏正規化約束下的信號分解。隨著信號和圖像處理技術的不斷發展, 如何利用信號和圖像的成分(如主成分、次成分、獨立成分、稀疏成 分、 形態成分等)來表示信號和圖像已成為很多信號和 圖像處理任務, 例如壓縮、重構、抑噪和特征提取等的研 究熱點, 並有著相當
python字符串刪除,列表刪除以及字典刪除的總結
不可變 字符 pytho pla rem lac 返回值 strip 副本 一:字符串刪除 1,字符串本身是不可變的,一個字符串定義以後,對他本身是不能做任何操作的,所以的增刪改都是對原字符串拷貝的副本的操作,原來的字符串還是原來的字符串,它本身並沒 有變
python字串刪除,列表刪除以及字典刪除的總結
一:字串刪除 1,字串本身是不可變的,一個字串定義以後,對他本身是不能做任何操作的,所以的增刪改都是對原字串拷貝的副本的操作,原來的字串還是原來的字串,它本身並沒 有變 2,字串本身是不能修改的,但是可以通過其他方法來達到一個看似修改的效果,比如,切
python3判斷字典、列表、元組為空以及字典是否存在某個key的方法
m1=[] m2={} m3=() m4={"name":1,"age":2} #也可用if not m1:print("m1不是列表") if m1: print("m1不是列表") else: print(m1) print("m1是空列表") if m2: p
CNN中feature map、卷積核、卷積核個數、filter、channel的概念解釋,以及CNN 學習過程中卷積核更新的理解
feature map、卷積核、卷積核個數、filter、channel的概念解釋 feather map的理解 在cnn的每個卷積層,資料都是以三維形式存在的。你可以把它看成許多個二維圖片疊在一起(像豆腐皮一樣),其中每一個稱為一個feature map。 feather map 是怎