pytorch实现mnist数据集的图像可视化及保存
2020-02-13 11:33
615 查看
如何将pytorch中mnist数据集的图像可视化及保存
导出一些库
import torch import torchvision import torch.utils.data as Data import scipy.misc import os import matplotlib.pyplot as plt BATCH_SIZE = 50 DOWNLOAD_MNIST = True
数据集的准备
#训练集测试集的准备
train_data = torchvision.datasets.MNIST(root='./mnist/', train=True,transform=torchvision.transforms.ToTensor(), download=DOWNLOAD_MNIST, ) test_data = torchvision.datasets.MNIST(root='./mnist/', train=False)
将训练及测试集利用dataloader进行迭代
train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True) test_x = Variable(torch.unsqueeze(test_data.test_data, dim=1), requires_grad=True).type(torch.FloatTensor)[:20]/255 test_y = test_data.test_labels[:20]#前两千张 #具体查看图像形式为: a_data, a_label = train_data[0] print(type(a_data))#tensor 类型 #print(a_data) print(a_label) #把原始图片保存至MNIST_data/raw/下 save_dir="mnist/raw/" if os.path.exists(save_dir)is False: os.makedirs(save_dir) for i in range(20): image_array,_=train_data[i]#打印第i个 image_array=image_array.resize(28,28) filename=save_dir + 'mnist_train_%d.jpg' % i#保存文件的格式 print(filename) print(train_data.train_labels[i])#打印出标签 scipy.misc.toimage(image_array,cmin=0.0,cmax=1.0).save(filename)#保存图像
以上这篇pytorch实现mnist数据集的图像可视化及保存就是小编分享给大家的全部内容了,希望能给大家一个参考
您可能感兴趣的文章:
相关文章推荐
- tensorflow训练自己的数据集实现CNN图像分类2(保存模型&测试单张图片)
- MNIST数据集转换为.png图像(Python实现)
- Pytorch 之 MNIST 数据集实现
- 用简单的CNN网络实现MNIST数据集的识别:实现模型保存与调用模型进行测试
- 神经网络与深度学习 使用Python实现基于梯度下降算法的神经网络和自制仿MNIST数据集的手写数字分类可视化程序 web版本
- 使用 PyTorch 实现 MLP 并在 MNIST 数据集上验证方式
- pytorch实现建立自己的数据集(以mnist为例)
- python 实现 softmax分类器(MNIST数据集)
- CIFAR10数据集取一张可视化保存
- pytorch实现用Resnet提特征并保存为txt文件
- Python可视化mhd格式和raw格式的医学图像并保存的方法
- TensorFlow实战5:利用卷积神经网络对图像分类(初阶:MNIST手写数字)代码实现
- 【python】还原二进制图像(可视化):mnist,cifar10,cifar100
- tensorflow实现加载mnist数据集
- TF:TF下CNN实现mnist数据集预测 96%采用placeholder用法+2层C及其max_pool法+隐藏层dropout法+输出层softmax法+目标函数cross_entropy法+A
- Pytorch_cnn_net实现mnist手写识别
- 李航《统计学习方法》第五章——用Python实现决策树(MNIST数据集)
- 李航《统计学习方法》第二章——用Python实现感知器模型(MNIST数据集)
- keras实现deepid:flatten中间层、merge多个层次、二维图像的处理、权重的保存与重用、Autoencoder
- MNIST手写字体数据集神经网络实现(tensorflow)