python实现：得到FIM和FIM’，分别输入PCA+SVM的人脸识别程序中进行人脸识别分类预测。

首先需要了解FIM和FIM'的概念。FIM（Fisher's Information Matrix）是用于评估分类器的鲁棒性的一种方法，它可以通过计算分类器在训练数据上的梯度来得到。FIM'是FIM的逆矩阵，它可以用于计算分类器的不确定性。

接下来是实现步骤：

1.准备数据集：需要准备训练数据集和测试数据集，以及标签数据。

2.使用PCA+SVM进行人脸识别：使用PCA降维和SVM分类器进行人脸识别，得到分类器模型。

3.计算FIM：使用训练数据集计算出FIM矩阵。

4.计算FIM'：计算FIM的逆矩阵FIM'。

5.使用FIM和FIM'评估分类器鲁棒性和不确定性：将FIM和FIM'输入到分类器中，用于评估分类器的鲁棒性和不确定性。

下面是代码实现：

import numpy as np
from sklearn.decomposition import PCA
from sklearn.svm import SVC

# 准备数据集并进行PCA降维
X_train = np.load('train_data.npy')
X_test = np.load('test_data.npy')
y_train = np.load('train_label.npy')
y_test = np.load('test_label.npy')
pca = PCA(n_components=100)
X_train_pca = pca.fit_transform(X_train)
X_test_pca = pca.transform(X_test)

# 使用SVM进行分类，并得到分类器模型
svm = SVC(kernel='rbf', C=10, gamma=0.01)
svm.fit(X_train_pca, y_train)

# 计算FIM矩阵
grads = []
for i in range(len(X_train_pca)):
    grad = np.zeros((100, 100))
    for j in range(100):
        for k in range(100):
            if j == k:
                grad[j][k] = 2 * np.dot(svm.coef_, X_train_pca[i])[j] ** 2
            else:
                grad[j][k] = 2 * np.dot(svm.coef_, X_train_pca[i])[j] * np.dot(svm.coef_, X_train_pca[i])[k]
    grads.append(grad)
FIM = np.mean(grads, axis=0)

# 计算FIM'逆矩阵
FIM_ = np.linalg.inv(FIM)

# 使用FIM和FIM'评估分类器鲁棒性和不确定性
svm_FIM = SVC(kernel='precomputed')
svm_FIM.fit(np.dot(X_train_pca, np.dot(FIM_, X_train_pca.T)), y_train)
svm_FIM_.score(np.dot(X_test_pca, np.dot(FIM_, X_train_pca.T)), y_test)

在以上代码中，我们首先使用PCA对数据进行降维，然后使用SVM进行分类，得到分类器模型。接着计算FIM矩阵和FIM'逆矩阵，并将它们输入到分类器中进行评估。最后输出分类器的鲁棒性和不确定性评估结果。