PyTorch - Visualización de conventos

En este capítulo, nos centraremos en el modelo de visualización de datos con la ayuda de conventos. Se requieren los siguientes pasos para obtener una imagen perfecta de visualización con una red neuronal convencional.

Paso 1

Importa los módulos necesarios, lo cual es importante para la visualización de redes neuronales convencionales.

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

Paso 2

Para detener la aleatoriedad potencial con datos de entrenamiento y prueba, llame al conjunto de datos respectivo como se indica en el código a continuación:

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)

Paso 3

Trace las imágenes necesarias para obtener los datos de entrenamiento y prueba definidos de manera perfecta utilizando el siguiente código:

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

La salida se muestra a continuación: