Jupyter Notebook使用 CIFAR - 10 数据集进行 PCA 图像压缩怎么导入库

在Jupyter Notebook中使用CIFAR-10数据集进行PCA（主成分分析）图像压缩，首先需要安装一些必要的Python库。以下是步骤：

1. **安装所需的库**：
- 导入`numpy`进行数值计算和数组操作
- `pandas`用于数据处理
- `matplotlib`展示图像
- `scikit-learn`包含PCA算法

   !pip install numpy pandas matplotlib scikit-learn

2. **导入库**：
使用`import`语句导入这些库。

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

3. **加载CIFAR-10数据集**：
- 使用`fetch_openml`函数从sklearn.datasets获取CIFAR-10数据。它会返回训练集、测试集以及元数据。

   cifar10 = fetch_openml('cifar10', version=1, return_X_y=True)
   X_train, y_train = cifar10['data'], cifar10['target']

4. **预处理数据**：
- 将像素值归一化到0-1范围内，以便于PCA处理。

   X_train = X_train.astype('float32') / 255

5. **进行PCA**：
- 创建PCA对象，并指定降维到所需的维度，比如前n个主成分。

   n_components = 32 # 或者你需要的任何维度
   pca = PCA(n_components=n_components)
   X_train_pca = pca.fit_transform(X_train)

6. **可视化结果**：
- 可以使用matplotlib展示原始图片和压缩后的图片，看看效果。

   # 显示原始图像
   _, axes = plt.subplots(4, 8, figsize=(8, 4))
   for i in range(32):
       for j in range(8):
           row = i // 8
           col = i % 8
           ax = axes[row][col]
           ax.imshow(X_train[i].reshape((32, 32, 3)))
           ax.axis('off')
   plt.show()

   # 显示PCA处理后的图像
   _, axes = plt.subplots(4, 8, figsize=(8, 4))
   for i in range(32):
       for j in range(8):
           row = i // 8
           col = i % 8
           ax = axes[row][col]
           ax.imshow(X_train_pca[i].reshape((32, 32)))
           ax.axis('off')
   plt.show()