Sklearn.KMeans：如何避免内存或值错误？

Posted 2023-03-12

【中文标题】Sklearn.KMeans：如何避免内存或值错误？

【英文标题】：Sklearn.KMeans : how to avoid Memory or Value Error?

【发布时间】：2017-05-28 16:45:33

【问题描述】：

我正在研究图像分类问题，并且正在创建一个词袋模型。为此，我提取了所有图像的 SIFT 描述符，并且必须使用 KMeans 算法来找到用作我的词袋的中心。

这是我拥有的数据：

图片数量：1584 SIFT 描述符数（32 个元素的向量）：571685 中心数：15840

所以我运行了一个 KMeans 算法来计算我的中心：

dico = pickle.load(open('./dico.bin', 'rb')) # np.shape(dico) = (571685, 32)
k = np.size(os.listdir(img_path)) * 10 # = 1584 * 10

kmeans = KMeans(n_clusters=k, n_init=1, verbose=1).fit(dico)

pickle.dump(kmeans, open('./kmeans.bin', 'wb'))
pickle.dump(kmeans.cluster_centers_, open('./dico_reduit.bin', 'wb'))

使用此代码时，我遇到了内存错误，因为我的笔记本电脑上没有足够的内存（只有 2GB），所以我决定将中心数除以 2，并随机选择一半的 SIFT 描述符。这一次，我得到了Value Error : array is too big。

如何才能在没有内存问题的情况下获得相关结果？

【问题讨论】：

显示dico的形状。 （因为我对你帖子中的数字有点困惑；但我没有使用词袋模型的经验）

我在代码中添加信息。理解词袋模型的工作原理是没有用的，它只是为了上下文。

好的。所以主要维度是样本维度（而不是特征维度）。这意味着，您可以使用一些在线 kmeans，例如 MiniBatchKMeans。在每次迭代中，只有n=batch_size 会在内存中，而不是将所有内容都读入内存。

这正是我所需要的。如果需要，您可以添加答案。

【参考方案1】：

正如@sascha 在此评论中所说，我只需要使用MiniBatchKMeans 类即可避免此问题：

dico = pickle.load(open('./dico.bin', 'rb'))

batch_size = np.size(os.listdir(img_path)) * 3
kmeans = MiniBatchKMeans(n_clusters=k, batch_size=batch_size, verbose=1).fit(dico)

pickle.dump(kmeans, open('./minibatchkmeans.bin', 'wb'))