scikit-learn python中的去噪例子

Question

我刚看到this示例以不同的方式编写代码以使用CSR（集中式稀疏表示）进行去噪。但在那个例子中，我得到了几行，我不知道为什么他们使用了这行=＆gt;

行低于=＆gt;

1）

face = face[::2, ::2] + face[1::2, ::2] + face[::2, 1::2] + face[1::2, 1::2]
face /= 4.0

2）

data -= np.mean(data, axis=0)
data /= np.std(data, axis=0)

Answer 1

第一个是extended slicing，第二个是standardization

<强>解释

1

path = Path.Combine(path,"Other Folder");

只是downsampling the image by bilinear interpolation (that is reducing its resolution).

在给定的示例中，face = face[::2, ::2] + face[1::2, ::2] + face[::2, 1::2] + face[1::2, 1::2] face /= 4.0 的原始尺寸为face。上述两条线有效地找到每个2x2像素的平均值并将其放在单个像素中。见下图。

蓝色的是图像的原始像素，红色的是周围像素的平均值。将此想法扩展为整个图像，您将获得[768,1024] = face的新分辨率降低。

这样做只是为了让计算变得更快。因为较大的图像将需要更多的时间处理。

2

[384, 512]

这是机器学习算法中的一种常用技术，可以围绕零均值和单位方差对数据进行缩放和居中。您可以参考许多资源了解有关标准化的更多信息。以下是一些：

• http://scikit-learn.org/stable/modules/preprocessing.html#standardization-or-mean-removal-and-variance-scaling
• http://sebastianraschka.com/Articles/2014_about_feature_scaling.html
• https://stats.stackexchange.com/questions/152078/what-are-the-real-benefits-of-normalization-scaling-values-between-0-and-1-in
• Why feature scaling?
• https://www.coursera.org/learn/machine-learning/lecture/xx3Da/gradient-descent-in-practice-i-feature-scaling