PyTorch - Визуализация монастырей

В этой главе мы сосредоточимся на модели визуализации данных с помощью конвентов. Следующие шаги необходимы, чтобы получить идеальную картину визуализации с помощью обычной нейронной сети.

Шаг 1

Импортируйте необходимые модули, что важно для визуализации обычных нейронных сетей.

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

Шаг 2

Чтобы остановить потенциальную случайность с данными обучения и тестирования, вызовите соответствующий набор данных, как указано в приведенном ниже коде -

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)

Шаг 3

Постройте необходимые изображения, чтобы получить данные для обучения и тестирования, определенные идеальным образом, используя приведенный ниже код:

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

Результат отображается, как показано ниже -