t-SNE是一种机器学习领域用的比较多的经典降维方法，通常主要是为了将高维数据降维到二维或三维以用于可视化。

PCA 固然能够满足可视化的要求，但是人们发现，如果用 PCA 降维进行可视化，会出现所谓的“拥挤现象”。如下图所示，对于橙、蓝两类数据，如果我们用 PCA 降维后呈现在二维平面上，那么两类数据的边界并不明显，仿佛蓝色的数据“嵌入”了橙色数据一般。而反观右图，蓝色与橙色两类数据明显没有了交集。

更多介绍性内容参考以下链接： 

降维方法之t-SNE - 知乎本文将主要介绍一种机器学习领域用的比较多的经典降维方法： t-SNE。关于这个方法，我也是查阅了许多大佬们写过的文档，但总感觉理解起来还是花了比较长的时间，中间有一些知识大佬们都只是提到，但我还没有学过，…https://zhuanlan.zhihu.com/p/426068503

How to Use t-SNE Effectivelyhttps://distill.pub/2016/misread-tsne/#perplexity=10&epsilon=5&demo=1&demoParams=50,2

需要提前install好一些依赖库，包括sklearn和matplotlib，都是很常用的库此处不再介绍安装和使用。

运行后得到下图： 

 由于这里原始数据分布就是random出来的，因此t-SNE后也是随机分布的。这里仅用于说明sklearn库中TSNE方法的使用和图像生成。

对于一些高维有聚类的数据（如神经网络的fc层特征）

 可以看到一些聚类效果

这也是记录本篇博客的核心原因。

由于需要在多次生成TSNE中对比效果，就需要保证对于相同输入tSNE生成的图像也基本分布一致。按照大部分网上资源的方法，最后的图虽然整体有序，但 对于同样的数据输入tSNE结果存在较大差异 ，比如相邻关系不变，但位置或者角度存在差异，大概情况如下图（举个例子说明）：

经过查阅官方文档参数意义以及多次尝试，发现最影响t-SNE图像的是随机数种子（也可以将其理解为是t-SNE训练的初始化情况，事实上t-SNE也是一种迭代训练的过程），对应接口函数中的参数为

随机数种子，整数或RandomState对象

因此，只需要在代码中指定random_state的值（如设定成2022）即可保证对于相同数据的降维情况一致，用于后续实验效果对比。