コード例 #1
0
ファイル: pca.py プロジェクト: tpan496/lisa_emotiw
def whiten(data,
           V,
           m0,
           s0,
           nprincomps,
           batchsize=500,
           use_gpu=True,
           verbose=True):
    data = data.astype(np.float32)
    ncases = data.shape[0]
    nbatches = (ncases - 1) / batchsize + 1

    data_white = np.zeros((ncases, nprincomps), dtype=np.float32)
    for bidx in range(nbatches):
        start = bidx * batchsize
        end = min((bidx + 1) * batchsize, ncases)
        if use_gpu:
            data[start:end] = theano_subtract_m1(data[start:end])
            data[start:end] = theano_divide_s1(data[start:end])
            data[start:end] = theano_subtract_row(data[start:end], m0)
            data[start:end] = theano_divide_row(data[start:end], s0)
            data_white[start:end] = theano_dot(data[start:end],
                                               V[:nprincomps].T)
        else:
            data[start:end] -= data[start:end].mean(1)[:, None]
            s1 = data[start:end].std(1)[:, None]
            data[start:end] /= s1 + s1.mean()
            data[start:end] -= m0
            data[start:end] /= s0
            data_white[start:end] = np.dot(data[start:end], V[:nprincomps].T)
    return data_white
コード例 #2
0
ファイル: pca.py プロジェクト: OuYag/Emotion-Recognition-RNN
def whitenX(data, V, m0, s0, nprincomps, batchsize=500, contrast_norm=True, dataset_norm=True, use_gpu=True, verbose=True):
    data = data.astype(np.float32)
    ncases = data.shape[0]
    nbatches = (ncases - 1) / batchsize + 1

    V = V[:nprincomps]
    V = np.concatenate((V,-1*V),0).T

    data_white = np.zeros((ncases, nprincomps*2), dtype=np.float32)

    for bidx in range(nbatches):
        start = bidx * batchsize
        end = min((bidx + 1) * batchsize, ncases)
        if use_gpu:
            if contrast_norm:
                data[start:end] = theano_subtract_m1(data[start:end])
                data[start:end] = theano_divide_s1(data[start:end])
            if dataset_norm:
                data[start:end] = theano_subtract_row(data[start:end], m0)
                data[start:end] = theano_divide_row(data[start:end], s0)
            data_white[start:end] = theano_dot(data[start:end], V)
        else:
            if contrast_norm:
                data[start:end] -= data[start:end].mean(1)[:, None]
                s1 = data[start:end].std(1)[:, None]
                data[start:end] /= s1 + s1.mean()
            if dataset_norm:
                data[start:end] -= m0
                data[start:end] /= s0
            data_white[start:end] = np.dot(data[start:end], V)
    return (data_white > 0.)*data_white
コード例 #3
0
ファイル: pca.py プロジェクト: LeonBai/lisa_emotiw-1
def zca_whiten(data, W, batchsize=500, use_gpu=True, verbose=True):
    data = data.astype(np.float32)
    ncases = data.shape[0]
    nbatches = (ncases - 1) / batchsize + 1

    data_white = np.zeros((ncases, data.shape[1]), dtype=np.float32)
    for bidx in range(nbatches):
        start = bidx * batchsize
        end = min((bidx + 1) * batchsize, ncases)
        if use_gpu:
            data[start:end] = theano_subtract_m1(data[start:end])
            data[start:end] = theano_divide_s1(data[start:end])
            data_white[start:end] = theano_dot(data[start:end], W)
        else:
            data[start:end] -= data[start:end].mean(1)[:, None]
            s1 = data[start:end].std(1)[:, None]
            data[start:end] /= s1 + s1.mean()
            data_white[start:end] = np.dot(data[start:end], W)
    return data_white    
コード例 #4
0
def whitenX(data,
            V,
            m0,
            s0,
            nprincomps,
            batchsize=500,
            contrast_norm=True,
            dataset_norm=True,
            use_gpu=True,
            verbose=True):
    data = data.astype(np.float32)
    ncases = data.shape[0]
    nbatches = (ncases - 1) / batchsize + 1

    V = V[:nprincomps]
    V = np.concatenate((V, -1 * V), 0).T

    data_white = np.zeros((ncases, nprincomps * 2), dtype=np.float32)

    for bidx in range(nbatches):
        start = bidx * batchsize
        end = min((bidx + 1) * batchsize, ncases)
        if use_gpu:
            if contrast_norm:
                data[start:end] = theano_subtract_m1(data[start:end])
                data[start:end] = theano_divide_s1(data[start:end])
            if dataset_norm:
                data[start:end] = theano_subtract_row(data[start:end], m0)
                data[start:end] = theano_divide_row(data[start:end], s0)
            data_white[start:end] = theano_dot(data[start:end], V)
        else:
            if contrast_norm:
                data[start:end] -= data[start:end].mean(1)[:, None]
                s1 = data[start:end].std(1)[:, None]
                data[start:end] /= s1 + s1.mean()
            if dataset_norm:
                data[start:end] -= m0
                data[start:end] /= s0
            data_white[start:end] = np.dot(data[start:end], V)
    return (data_white > 0.) * data_white