我正在训练1000张28×28大小的图像。但在训练之前，我参考如何实现ZCA白化？Python对我的数据进行了ZCA白化处理。
由于我有1000张28×28大小的数据图像，经过扁平化处理后变为1000×784。但根据下面的代码，X是否是我的1000×784的图像数据集？
如果是这样的话，那么ZCAMatrix的大小应该是1000×1000。在这种情况下，用于预测的图像大小为28×28，或者可以说，尺寸为1×784。因此，将ZCAMatrix乘以图像是没有意义的。
所以我认为，X是图像数据集的转置。我的理解正确吗？如果我正确的话，那么ZCAMatrix的大小应该是784×784。
现在我应该如何计算ZCA白化后的图像，我应该使用np.dot(ZCAMatrix, transpose_of_image_to_be_predict)还是np.dot(image_to_be_predict, ZCAMatrix)？非常欢迎建议。
def zca_whitening_matrix(X): """ Function to compute ZCA whitening matrix (aka Mahalanobis whitening). INPUT: X: [M x N] matrix. Rows: Variables Columns: Observations OUTPUT: ZCAMatrix: [M x M] matrix """ # Covariance matrix [column-wise variables]: Sigma = (X-mu)' * (X-mu) / N sigma = np.cov(X, rowvar=True) # [M x M] # Singular Value Decomposition. X = U * np.diag(S) * V U,S,V = np.linalg.svd(sigma) # U: [M x M] eigenvectors of sigma. # S: [M x 1] eigenvalues of sigma. # V: [M x M] transpose of U # Whitening constant: prevents division by zero epsilon = 1e-5 # ZCA Whitening matrix: U * Lambda * U' ZCAMatrix = np.dot(U, np.dot(np.diag(1.0/np.sqrt(S + epsilon)), U.T)) # [M x M] return ZCAMatrix使用示例：
X = np.array([[0, 2, 2], [1, 1, 0], [2, 0, 1], [1, 3, 5], [10, 10, 10] ]) # Input: X [5 x 3] matrixZCAMatrix = zca_whitening_matrix(X) # get ZCAMatrixZCAMatrix # [5 x 5] matrixxZCAMatrix = np.dot(ZCAMatrix, X) # project X onto the ZCAMatrixxZCAMatrix # [5 x 3] matrix回答：
我参考了可在这里找到的Keras代码。
很明显，在我的情况下，协方差矩阵将生成一个784×784的矩阵，并对其进行奇异值分解。它会生成三个矩阵，用于计算主成分，然后使用这些主成分来找到ZCA白化后的数据。
现在我的问题是
我应该如何计算ZCA白化后的图像，是使用np.dot(ZCAMatrix, transpose_of_image_to_be_predict)还是np.dot(image_to_be_predict, ZCAMatrix)？非常欢迎建议。
对此，我参考了这里的资料。
在这里，我需要使用np.dot(image_to_be_predict, ZCAMatrix)来计算ZCA白化后的图像。
