sklearn中使用PCA做图像检索2048转512维降维报错咨询

• 第一个报错原因：sklearn默认的svd_solver='full'模式下，n_components的取值上限为min(训练样本数, 特征维度)，你当前仅用32个样本训练PCA，最多只能降到32维，远低于你需要的512维，因此触发报错。
• 第二个报错原因：sklearn的所有模型输入都要求是二维数组，格式为(样本数, 特征数)，你提取x[0]得到的是一维数组，形状为(2048,)，不符合输入要求因此触发报错。

1. 首先准备至少≥512个样本的特征数据集用于拟合PCA，样本量越大拟合得到的降维映射泛化性越好，更适合图像检索场景。
2. 用完整的训练集拟合PCA后，再对需要降维的特征（包括单样本、批量样本）执行降维操作。

from sklearn.decomposition import PCA
import numpy as np 

# 第一步：用足够多的训练样本拟合PCA，示例用1000个2048维特征
train_feat = np.random.random((1000, 2048)) # 形状规范：(样本数, 特征维度)
pca = PCA(n_components=512, copy=True)
pca.fit(train_feat) # 拟合得到降维映射

# 第二步：对目标特征执行降维
# 批量样本降维
batch_feat = np.random.random((32, 2048))
batch_feat_512d = pca.transform(batch_feat) # 输出形状为(32, 512)

# 单样本降维，注意要先把一维数组转为二维
single_feat = np.random.random(2048)
single_feat_512d = pca.transform(single_feat.reshape(1, -1)) # 输出形状为(1, 512)
# 若需要一维结果可直接取[0]：single_feat_512d = pca.transform(single_feat.reshape(1, -1))[0]

内容的提问来源于stack exchange，提问作者Pro_gram_mer