PyTorch - Visualisation des couvents

Dans ce chapitre, nous nous concentrerons sur le modèle de visualisation des données à l'aide de couvents. Les étapes suivantes sont nécessaires pour obtenir une image parfaite de la visualisation avec un réseau neuronal conventionnel.

Étape 1

Importez les modules nécessaires, ce qui est important pour la visualisation des réseaux de neurones conventionnels.

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

Étape 2

Pour arrêter le hasard potentiel avec les données d'entraînement et de test, appelez l'ensemble de données respectif comme indiqué dans le code ci-dessous -

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)

Étape 3

Tracez les images nécessaires pour obtenir les données d'entraînement et de test définies de manière parfaite en utilisant le code ci-dessous -

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

La sortie est affichée comme ci-dessous -