使用 Tensorly 的非负张量分解示例答案

【问题标题】：Nonnegative tensor decomposition example using Tensorly使用 Tensorly 的非负张量分解示例
【发布时间】：2019-04-17 01:33:54
【问题描述】：

我对 tensor 和 tensorly Library 非常陌生。我在 jeankossaifi 上遇到了张量分解的最佳示例之一，但我需要一个示例tensorly 函数 non_negative_tucker() 通过扩展上面链接上的示例（用于 Olivetti 数据集）进行张量分解。

【问题讨论】：

标签： python tensorflow tensor tensorly

【解决方案1】：

界面和robust_pca差不多。

让我们创建一个随机示例张量X,:

import tensorly as tl
import numpy as np

X = tl.tensor(np.random.random((10, 11, 12)))

您可以按如下方式应用鲁棒张量 PCA：

from tensorly.decomposition import robust_pca

D, E = robust_pca(X)

这给你一个低秩张量D，和一个稀疏的E，这样D + E = X（大约）。

相反，非负 Tucker 会给你一个非负核心和一些非负因素。请注意，现在您还必须为分解指定等级。

from tensorly.decomposition import non_negative_tucker
core, factors = non_negative_tucker(X, rank=(12, 12, 12), n_iter_max=1000)

您可以使用这些重构张量并检查重构误差：

reconstruction = tl.tucker_to_tensor(core, factors)
error = tl.norm(reconstruction - X)/tl.norm(X)

您可以查看该函数的 API page。

【讨论】：

这里是代码：core, tucker_factors,rec_errors, mode = non_negative_tucker(X, rank=tucker_rank, n_iter_max=100, init='random')tucker_reconstruction = tl.tucker_to_tensor(core, tucker_factors)visualise_images(tucker_reconstruction, 12, 4)我在显示图像时没有得到正确的结果。我刚刚扩展了jeankossaifi的示例。
您没有正确使用函数：non_negative_tucker 不返回重建错误或模式。正确的用法是我在帖子中写的，例如core, factors = non_negative_tucker(X, rank=(12, 12, 12), n_iter_max=1000).
我已经相应地更改了代码，如下所示：data = fetch_olivetti_faces() X = data.images X = X.astype(np.float64) X -= X.mean() tucker_rank = [80, 80, 80] core, tucker_factors = non_negative_tucker(X, rank=tucker_rank, n_iter_max=100, init='random') tucker_reconstruction = tl.tucker_to_tensor(core, tucker_factors) visualise_images(tucker_reconstruction, 12, 4) 输出仍然是一组模糊图像。代码如有错误请指正。
你想达到什么目的？您是否需要因素和核心是非负的？如果没有，请尝试 Tucker（如果您不需要分解样本维度，则尝试使用 partial_tucker）。图像的尺寸也为 64x64，但您在这些尺寸上选择了 80 的排名，因此您过度参数化。最后，svd 是比随机更好的初始化。所以，有了 tucker，你可以试试core, tucker_factors = tucker(X, rank=tucker_rank, n_iter_max=100, tol=10e-10, init='svd')。
谢谢，它工作得非常完美。感谢张量库。还有一件事你在文章中提到了 add_noise() 函数，但即使我更新了张量，我也没有得到这个函数。跨度>