我正在训练28x28尺寸的1000张图像。但是在培训之前，我正在通过How to implement ZCA Whitening? Python的引用对数据执行ZCA白化。
由于我有1000个尺寸为28x28的数据图像，因此在展平后，它变为1000x784。
但是，如下面的代码所示，X是否是我的1000x784图像数据集？
如果是这样，则表示ZCAMatrix大小为1000x1000。
在这种情况下，为了进行预测，我的图像尺寸为28x28，或者可以说尺寸为1x784，因此将ZCAMatrix乘以该图像是没有意义的。
所以我认为X是图像数据集的转置。我对吗？
如果我是对的，则ZCAMatrix的大小为784x784。
现在，无论我应该使用np.dot(ZCAMatrix, transpose_of_image_to_be_predict)还是np.dot(image_to_be_predict, ZCAMatrix)，如何计算ZCA增白图像？
建议将不胜感激。
def zca_whitening_matrix(X):
"""
Function to compute ZCA whitening matrix (aka Mahalanobis whitening).
INPUT: X: [M x N] matrix.
Rows: Variables
Columns: Observations
OUTPUT: ZCAMatrix: [M x M] matrix
"""
# Covariance matrix [column-wise variables]: Sigma = (X-mu)' * (X-mu) / N
sigma = np.cov(X, rowvar=True) # [M x M]
# Singular Value Decomposition. X = U * np.diag(S) * V
U,S,V = np.linalg.svd(sigma)
# U: [M x M] eigenvectors of sigma.
# S: [M x 1] eigenvalues of sigma.
# V: [M x M] transpose of U
# Whitening constant: prevents division by zero
epsilon = 1e-5
# ZCA Whitening matrix: U * Lambda * U'
ZCAMatrix = np.dot(U, np.dot(np.diag(1.0/np.sqrt(S + epsilon)), U.T)) # [M x M]
return ZCAMatrix
以及用法示例：
X = np.array([[0, 2, 2], [1, 1, 0], [2, 0, 1], [1, 3, 5], [10, 10, 10] ]) # Input: X [5 x 3] matrix
ZCAMatrix = zca_whitening_matrix(X) # get ZCAMatrix
ZCAMatrix # [5 x 5] matrix
xZCAMatrix = np.dot(ZCAMatrix, X) # project X onto the ZCAMatrix
xZCAMatrix # [5 x 3] matrix
最佳答案
我从可用的here的Keras代码中获得了参考。
很明显，在我的情况下，协方差矩阵将给出784x784矩阵，在该矩阵上执行奇异值分解。它给出3个矩阵，用于计算principal_components，并且principal_components用于查找ZCA增白的数据。
现在我的问题是
我应该如何计算ZCA增白的图像
np.dot（ZCAMatrix，transpose_of_image_to_be_predict）或
np.dot（image_to_be_predict，ZCAMatrix）？建议会很大
欣赏。
为此，我从here获得了参考。
在这里，我需要使用np.dot(image_to_be_predict, ZCAMatrix)来计算ZCA增白图像。
关于machine-learning - 适用于机器学习的python中的ZCA美白，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/45015815/