sklearn字典学习：参数调整

Question

所以我在一组自己的图像上进行字典学习，大量适应denoising example。我粗略的工作流程是：

• 将我的所有图像解析为长度为2700的矢量（图像最初为（3,30,30））。
• 获取形状的输入矩阵（n_images，2700）。
• 使用MiniBatchDL：

dico = MiniBatchDictionaryLearning(n_components=5000, alpha=2, transform_algorithm='omp', n_iter=1000)
V = dico.fit(data).components_`

但是我的字典仍在学习一些噪音，后来影响了编码表示。

• 有没有人对如何调整n_components和alpha有任何指示？原版论文主要由迈克尔·埃拉德（Michael Elad）撰写，并没有很多这样的执行细节。我考虑过grid search，但我想先看看是否有任何方便的分析指针或启发式算法，因为每次运行的惩罚性运行时间。上面的小代码片段耗时13h。
• n_iter仅仅是＃34}的情况，越多越好＆＃34;？从文档中，此方法没有终止的容差标准，因此必须手动输入迭代次数。