PyTorch - Visualizzazione dei conventi

In questo capitolo, ci concentreremo sul modello di visualizzazione dei dati con l'aiuto dei conventi. I passaggi seguenti sono necessari per ottenere un'immagine perfetta della visualizzazione con la rete neurale convenzionale.

Passo 1

Importare i moduli necessari che è importante per la visualizzazione delle reti neurali convenzionali.

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

Per interrompere la potenziale casualità con i dati di addestramento e test, chiama il rispettivo set di dati come indicato nel codice seguente

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)

Passaggio 3

Traccia le immagini necessarie per ottenere i dati di addestramento e test definiti in modo perfetto utilizzando il codice seguente -

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

L'output viene visualizzato come di seguito: