对MNIST数据集，首先把矩阵灰度图像输入转化为向量输入。针对“0”和“1”这两一类各自前1000个训练样本组成的样本集合（共2000个样本），利用PCA()函数,进行PCA分解，保留29个PC，把每个样本逆变换到原始输入向量空间（提示：利用PCA()函数的inverse_transform方法），得到“降维重构”的样本。计算原始向量空间中这些“降维重构”样本的均值向量，然后变换为矩阵，用灰度图像显示。

好的，我明白了你的问题。首先，我们需要加载MNIST数据集并进行预处理，包括将灰度图像转换为向量。接下来，我们可以分别选择“0”和“1”两类中的前1000个样本，将它们合并为一个数据集。然后，我们可以使用PCA()函数对数据集进行PCA分解，并保留29个主成分。最后，我们可以使用inverse_transform方法将降维后的样本逆变换回到原始输入向量空间，并计算这些样本在原始向量空间中的均值向量。最后，将均值向量变换为矩阵形式，并用灰度图像显示出来。

以下是代码实现：

from sklearn.datasets import fetch_openml
from sklearn.decomposition import PCA
import numpy as np
import matplotlib.pyplot as plt

# 加载MNIST数据集并进行预处理
mnist = fetch_openml('mnist_784')
X = mnist.data / 255.0
y = mnist.target.astype(int)
X = X.reshape((-1, 28, 28))

# 选择“0”和“1”两类中的前1000个样本，并将它们合并为一个数据集
X_01 = np.concatenate((X[y==0][:1000], X[y==1][:1000]), axis=0)
X_01 = X_01.reshape((-1, 28*28))

# 对数据集进行PCA分解，保留29个主成分
pca = PCA(n_components=29)
X_01_pca = pca.fit_transform(X_01)

# 将降维后的样本逆变换回到原始输入向量空间
X_01_recons = pca.inverse_transform(X_01_pca)

# 计算降维后的样本在原始向量空间中的均值向量
X_01_mean = np.mean(X_01_recons, axis=0)

# 将均值向量变换为矩阵形式，并用灰度图像显示出来
X_01_mean = X_01_mean.reshape((28, 28))
plt.imshow(X_01_mean, cmap='gray')
plt.axis('off')
plt.show()

运行以上代码后，应该可以得到一个灰度图像，它显示了“0”和“1”两类样本在原始向量空间中的均值向量。