PyTorch - wizualizacja klasztorów

W tym rozdziale skupimy się na modelu wizualizacji danych za pomocą konwentów. Aby uzyskać doskonały obraz wizualizacji za pomocą konwencjonalnej sieci neuronowej, wymagane są następujące kroki.

Krok 1

Zaimportuj niezbędne moduły, które są ważne dla wizualizacji konwencjonalnych sieci neuronowych.

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

Krok 2

Aby zatrzymać potencjalną przypadkowość z danymi treningowymi i testowymi, wywołaj odpowiedni zestaw danych, jak podano w poniższym kodzie -

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)

Krok 3

Narysuj niezbędne obrazy, aby uzyskać dane treningowe i testowe zdefiniowane w doskonały sposób za pomocą poniższego kodu -

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

Wynik jest wyświetlany jak poniżej -