使用 sklearn.cluster Kmeans 时出现内存错误

Question

如标题所述，我在尝试使用 kmeans.fit() 时遇到内存错误。

我使用的数据集大小：

print(np.size(np_list)): 1248680000
print(np_list.shape): (31217, 40000)

我的代码运行给我一个内存错误是：

with open('np_array.pickle', 'rb') as handle:
    np_list = pickle.load(handle)


kmeans = KMeans(n_clusters=5)
kmeans.fit(np_list)

centroids = kmeans.cluster_centers_
labels = kmeans.labels_

print(centroids)
print(labels)

我正在处理一个包含 32k 张图像的数据集，每张图像都是黑白的，原始尺寸为 200x200。我把 200x200 维度变成了 40k 的单一维度，按行主顺序排列。

回溯说明：

Traceback (most recent call last):
  File "C:/Project/ML_Clustering.py", line 54, in <module>
    kmeans.fit(np_list)
  File "C:\Users\me\AppData\Local\Continuum\anaconda3\lib\site-packages\sklearn\cluster\k_means_.py", line 896, in fit
    return_n_iter=True)
  File "C:\Users\me\AppData\Local\Continuum\anaconda3\lib\site-packages\sklearn\cluster\k_means_.py", line 283, in k_means
    X = as_float_array(X, copy=copy_x)
  File "C:\Users\me\AppData\Local\Continuum\anaconda3\lib\site-packages\sklearn\utils\validation.py", line 88, in as_float_array
    return X.copy('F' if X.flags['F_CONTIGUOUS'] else 'C') if copy else X
MemoryError

Answer 1

基于Lloyd's algorithm的KMeans聚类方法的经典实现。它在每次迭代时消耗整个输入数据集。您可以尝试使用 mini-batches 对中心位置进行增量更新的 sklearn.cluster.MiniBatchKMeans。对于大规模学习（比如 n_samples > 10k），MiniBatchKMeans 可能比默认的批处理实现快得多。

from sklearn.cluster import MiniBatchKMeans

with open('np_array.pickle', 'rb') as handle:
     np_list = pickle.load(handle)

mbk = MiniBatchKMeans(init ='k-means++', n_clusters = 5, 
                      batch_size = 200, 
                      max_no_improvement = 10, verbose = 0) 

mbk.fit(np_list)

阅读 here 中关于 MiniBatchKMeans 的更多信息。

使用 sklearn.cluster Kmeans 时出现内存错误

Getting a memory error when using sklearn.cluster Kmeans

python

cluster-analysis

machine-learning

k-means

scikit-learn