我在使用来自 Anaconda 的 Jupyter notebook 和 Python 2.7。我有一个大约 250,000 维的数据集，需要将其压缩到更低的维度。我使用的是 scikit TSNE。当运行 TSNE 时，设置 n=5 或 n=10 时运行正常。但当我设置 n=50 或更高时，会显示以下消息："The kernel appears to have died." 没有显示任何错误消息。问题出在哪里？是因为内存超载吗？我应该在终端中作为脚本运行代码，而不是在 Jupyter 中运行吗？

我的 TSNE 函数如下：

def tsne_to_n_dimensions(n):    start=timer()    #tsne    print diff_df.shape    tsne = sklearn.manifold.TSNE(n_components=n,verbose=2)    data_nd_tsne =tsne.fit_transform(diff_df)    calculate stuff from data_nd_tsne            return stuff

并且 diff_df 是一个全局的 pandas 数据框

我已经查看了这个和这个，但没有找到解决方案

回答：

我找到了一个使用python-bhtsne的解决方案，这也是对Barnes-Hut 的 t-分布随机邻居嵌入方法的一种实现。

它非常容易实现，并且还提供了一个选项，可以在每次运行 tsne 时使用相同的参数获得相同的结果——这是 scikit 实现中所没有的。

它是 Laurens van der Maaten 原始实现的 Python 包装器。

所以你只需要做以下操作来替代来自 scikit 的常规 TSNE：

from bhtsne import tsnedata_nd_tsne = tsne(diff_df)