PyTorch - Visualização de Conventos
Neste capítulo, iremos nos concentrar no modelo de visualização de dados com a ajuda de conventos. As etapas a seguir são necessárias para obter uma imagem perfeita da visualização com a rede neural convencional.
Passo 1
Importe os módulos necessários que são importantes para a visualização de redes neurais convencionais.
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
Passo 2
Para interromper a aleatoriedade potencial com dados de treinamento e teste, chame o respectivo conjunto de dados conforme fornecido no código abaixo -
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)
etapa 3
Trace as imagens necessárias para obter os dados de treinamento e teste definidos de maneira perfeita usando o código abaixo -
pylab.imshow(img, cmap ='gray')
pylab.axis('off')
pylab.show()
A saída é exibida conforme abaixo -