PyTorch - Visualisierung von Klöstern

In diesem Kapitel konzentrieren wir uns mit Hilfe von Klöstern auf das Datenvisualisierungsmodell. Die folgenden Schritte sind erforderlich, um ein perfektes Bild der Visualisierung mit einem herkömmlichen neuronalen Netzwerk zu erhalten.

Schritt 1

Importieren Sie die erforderlichen Module, die für die Visualisierung herkömmlicher neuronaler Netze wichtig sind.

import os
import numpy as np
import pandas as pd
from scipy.misc import imread
from sklearn.metrics import accuracy_score

import keras
from keras.models import Sequential, Model
from keras.layers import Dense, Dropout, Flatten, Activation, Input
from keras.layers import Conv2D, MaxPooling2D
import torch

Schritt 2

Um mögliche Zufälligkeiten mit Trainings- und Testdaten zu stoppen, rufen Sie den entsprechenden Datensatz wie im folgenden Code angegeben auf -

seed = 128
rng = np.random.RandomState(seed)
data_dir = "../../datasets/MNIST"
train = pd.read_csv('../../datasets/MNIST/train.csv')
test = pd.read_csv('../../datasets/MNIST/Test_fCbTej3.csv')
img_name = rng.choice(train.filename)
filepath = os.path.join(data_dir, 'train', img_name)
img = imread(filepath, flatten=True)

Schritt 3

Zeichnen Sie die erforderlichen Bilder, um die Trainings- und Testdaten mit dem folgenden Code perfekt zu definieren.

pylab.imshow(img, cmap ='gray')
pylab.axis('off')
pylab.show()

Die Ausgabe wird wie folgt angezeigt: