PyTorch - Visualisasi Convents

Pada bab ini, kita akan fokus pada model visualisasi data dengan bantuan biara. Langkah-langkah berikut diperlukan untuk mendapatkan gambaran visualisasi yang sempurna dengan jaringan saraf tiruan konvensional.

Langkah 1

Impor modul yang diperlukan yang penting untuk visualisasi jaringan saraf konvensional.

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

Langkah 2

Untuk menghentikan potensi keacakan dengan data pelatihan dan pengujian, panggil kumpulan data masing-masing seperti yang diberikan dalam kode di bawah ini -

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)

LANGKAH 3

Plot gambar yang diperlukan untuk mendapatkan data pelatihan dan pengujian yang didefinisikan dengan sempurna menggunakan kode di bawah ini -

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

Outputnya ditampilkan seperti di bawah ini -