任務陳述：在Images目錄下有兩種圖片，各500張，前500張為第一類，後500張為第二類如下圖，可以看到兩類的風格不一樣，需要想辦法將這兩類降到2維或者3維聚類視覺化。

兩類圖片資料集
在看下面內容之前，可以先看一下利用t-SEN手寫資料集分類的例子,（文末也有實現）這也是各大部落格最喜歡貼的例子，或者結合起來看。

直接上程式碼

確保python安裝好了各個依賴庫，特別是sklearn

第一部分是獲取資料的程式碼：

無論你是什麼型別的資料（圖片，音訊，文字等等），先將它先處理成np.array型別，確保data的形狀為(資料條數，每條資料維度)，label的形狀(資料條數,) 方便後面呼叫t-SNE方法

import os
import numpy as np
import cv2
from time import time
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from sklearn import datasets #手寫資料集要用到
from sklearn.manifold import TSNE
#該函式是關鍵，需要根據自己的資料加以修改，將圖片存到一個np.array裡面，並且製作標籤
#因為是兩類資料，所以我分別用0,1來表示
def get_data(Input_path): #
 
Input_path為你自己原始資料儲存路徑，我的路徑就是上面的'./Images'
    Image_names=os.listdir(Input_path) #獲取目錄下所有圖片名稱列表
    data=np.zeros((len(Image_names),40000)) #初始化一個np.array陣列用於存資料
    label=np.zeros((len(Image_names),)) #初始化一個np.array陣列用於存資料
    #為前500個分配標籤1，後500分配0
    for k in range(500):
        label[k]=1
    #讀取並存儲圖片資料，原圖為rgb三通道，而且大小不一，先灰度化，再resize成200x200固定大小
 

    for i in range(len(Image_names)):
        image_path=os.path.join(Input_path,Image_names[i])
        img=cv2.imread(image_path)
        img_gray=cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
        img=cv2.resize(img_gray,(200,200))
        img=img.reshape(1,40000)
        data[i]=img
        n_samples, n_features = data.shape
    return data, label, n_samples, n_features
 
‘’‘下面的兩個函式，
一個定義了二維資料，一個定義了3維資料的視覺化
不作詳解，也無需再修改感興趣可以瞭解matplotlib的常見用法
’‘’
def plot_embedding_2D(data, label, title):
    x_min, x_max = np.min(data, 0), np.max(data, 0)
    data = (data - x_min) / (x_max - x_min)
    fig = plt.figure()
    for i in range(data.shape[0]):
        plt.text(data[i, 0], data[i, 1], str(label[i]),
                 color=plt.cm.Set1(label[i]),
                 fontdict={'weight': 'bold', 'size': 9})
    plt.xticks([])
    plt.yticks([])
    plt.title(title)
    return fig
def plot_embedding_3D(data,label,title): 
    x_min, x_max = np.min(data,axis=0), np.max(data,axis=0) 
    data = (data- x_min) / (x_max - x_min) 
    ax = plt.figure().add_subplot(111,projection='3d') 
    for i in range(data.shape[0]): 
        ax.text(data[i, 0], data[i, 1], data[i,2],str(label[i]), color=plt.cm.Set1(label[i]),fontdict={'weight': 'bold', 'size': 9}) 
    return fig
 
#主函式
def main():
    data, label, n_samples, n_features = get_data('./Images') #根據自己的路徑合理更改
    print('Begining......') #時間會較長，所有處理完畢後給出finished提示
    tsne_2D = TSNE(n_components=2, init='pca', random_state=0) #呼叫TSNE
    result_2D = tsne_2D.fit_transform(data)
    tsne_3D = TSNE(n_components=3, init='pca', random_state=0)
    result_3D = tsne_3D.fit_transform(data)
    print('Finished......')
    #呼叫上面的兩個函式進行視覺化
    fig1 = plot_embedding_2D(result_2D, label,'t-SNE')
    plt.show(fig1)
    fig2 = plot_embedding_3D(result_3D, label,'t-SNE')
    plt.show(fig2)
if __name__ == '__main__':
    main()

下面給出結果圖：

降到2d視覺化

降到3d的視覺化

可以明顯看出兩類資料的差異巨大。t-SNE的降維能力實在是強悍！上面提到了”手寫資料集“的例子，下面也作一個說明：

將上述get_data改成：

def get_data(Input_path)
    digits = datasets.load_digits(n_class=6)
    data = digits.data
    label = digits.target
    n_samples, n_features = data.shape
return data, label, n_samples, n_features

這樣就能實現手寫資料集的分類視覺化。

手寫資料2d

手寫數字3d