我在处理非常大的矩阵时使用了sklearn.decomposition.TruncatedSVD。当矩阵超过一定大小（例如35万行2.5万列）时，svd.fit(x)会耗尽RAM。
我将svd应用于特征矩阵，每行代表从单张图像中提取的一组特征。
为了解决内存问题，将矩阵分块应用svd（然后再拼接）是否安全？
结果会相同吗？ 即：
from sklearn.decomposition import TruncatedSVDsvd = TruncatedSVD(n_components=128)part_1 = svd.fit_transform(features[0:100000, :])part_2 = svd.fit_transform(features[100000:, :])svd_features = np.concatenate((part_1, part_2), axis=0).. 等同于(?)：
from sklearn.decomposition import TruncatedSVDsvd = TruncatedSVD(n_components=128)svd_features = svd.fit_transform(svd_features)如果不是，那么对于非常大的矩阵进行降维有没有解决方案？
回答：
结果不会相同，
例如，考虑以下代码：
import numpy as npfeatures=np.array([[3, 2, 1, 3, 1], [2, 0, 1, 2, 2], [1, 3, 2, 1, 3], [1, 1, 3, 2, 3], [1, 1, 2, 1, 3]])from sklearn.decomposition import TruncatedSVDsvd = TruncatedSVD(n_components=2)svd = TruncatedSVD(n_components=2)part_1 = svd.fit_transform(features[0:2, :])part_2 = svd.fit_transform(features[2:, :])svd_features = np.concatenate((part_1, part_2), axis=0)svd_b = TruncatedSVD(n_components=2)svd_features_b = svd_b.fit_transform(features)print(svd_features)print(svd_features_b)这会打印出
[[ 4.81379561 -0.90959982] [ 3.36212985 1.30233746] [ 4.70088886 1.37354278] [ 4.76960857 -1.06524658] [ 3.94551566 -0.34876626]][[ 4.17420185 2.47515867] [ 3.23525763 0.9479915 ] [ 4.53499272 -1.13912762] [ 4.69967028 -0.89231578] [ 3.81909069 -1.05765576]]这些结果彼此不同。
