我知道你问的是什么了。我忘了看问题的后半部分了。

> PCA 呢，你给一个 mxn 图片降维后，得到一组新空间的基底。你再给一个 mxn 的新图片降维，又会生成一组新空间的基底。假设我们都保留 95%的方差，这两组基底的数量可能不同吧？两组基底的第一主成分向量方向也可能不同吧？第一主成分保留的方差百分比也不同吧？所以好像也没有什么比较固定的训练成果保留下来啊。

说实话没看懂你说的基底是什么。你所说的 [生成一组新空间的基底] 是什么意思？
打个比方有一组二维数据里面三个点（-2,-2 ），（ 0,0 ），（ 2,2 ）。
这个很明显的 X=Y, 画出来就是一条对角线。 我们可以用这一条对角线来描述这组数据。这个就是 PCA 学到的东西。
比如说新来了一个点（ 1,1 ），它离原点的距离是 1.414 ，所以我们把它映射到这条新的坐标轴后，可以用 1.414 代替这个数据。尽管训练数据里没有这点。

```python
import numpy as np
from sklearn.decomposition import PCA
X = np.array([[-2, -2], [0, 0], [2, 2]])
pca = PCA(n_components=1)
pca.fit(X)
data = [[1,1]]
pca.transform(data).round(3)
# output array([[1.414]])
```

降维也是一种学习。举个例子，学生的成绩有语文，数学，长跑，跳高。本来衡量学生成绩有四个数据，如果用 pca 降到两维的话，就被压缩成了智力和体育两维。如此以后，对于新的学生，我们可以通过 pca 预测学生的智力与体育成绩，从而更直观地评价学生。

Bob

不知所云，建议先把高考语文的议论文学好。

失业有点夸张了。不过确实挺有意思的。太空飞船那个例子里背景为黑色。然后增加一个分数的文字时候默认字体颜色是黑色的。在输入“make score visible”以后，明明没有指定字体颜色但是字体自动变白了。

裸辞也不明智，骑驴找马才是正道。特别是还没拿永驻之前，辞职后只能在日本待 3 个月。没找到工作就只能回国了，没必要冒那么大风险。

所以说最好的方案是
业余时间考证 → 骑驴找马 → 找到下家 → 离职去下家

aws 的证书有必要脱产考吗？接下来的黄金周 9 连休突击一下不就行了吗？我就是这么打算的，不过是考 gcp 的证书。
楼主不说一下自己的情况的话不好给建议，个人感觉是在日本跳槽的时候不怎么看证书，有时间考证不如好好打磨一下简历上的项目介绍。想想被问到项目经验的时候如何把自己的长处表达出来。

Octave 了解一下

现在能用吗 我怎么在苹果商店里搜不到 app 了

自带的 preview 不香吗？

把系统的透明特效关掉后会好很多。

不知道是不是旋律音量有点大的原因，我一直感觉 lz 有点抢拍

我比较想知道这种工作时间的待遇怎么样

你需要用 training loss 跟 validation loss 对比才能知道真正的情况。我下面所说的前提是你文中说的 loss 是 training loss 。

> loss 前期下降快，后面基本不动。
说明你的模型太小了，即使一直 train 也不能完全拟合数据。这是 underfitting 而不是 overfitting 。不过增加层数确实是解决 underfitting 的方法。

> 接着我训练，loss 会一直增长
训练 loss 只可能是一直下降。训练 loss 出现一直上涨的情况肯定是代码出 bug 了。建议检查代码。

你有什么资格在这里恬着脸指责别人？

完美诠释了什么叫虎口拔牙。