网站转app工具高级版,怎么分析网站建设的优缺点,提供五屏网站建设,优秀营销网站设计Pytorch torchvision 包提供了很多常用数据集 数据按照用途一般分为三组#xff1a;训练#xff08;train#xff09;、验证#xff08;validation#xff09;和测试#xff08;test#xff09;。使用训练数据集来训练模型#xff0c;使用验证数据集跟踪模型在训练期间…  Pytorch torchvision 包提供了很多常用数据集 数据按照用途一般分为三组训练train、验证validation和测试test。使用训练数据集来训练模型使用验证数据集跟踪模型在训练期间的性能使用测试数据集对模型进行最终评估。 目录 导入MNIST训练数据集 提取训练数据和标签 同理操作验证数据集 给张量添加维度 打印示例图像 导入MNIST训练数据集 从 torchvision导入MNIST训练数据集 import torch import torchvision from torchvision import datasets train_datadatasets.MNIST(./data,trainTrue,downloadTrue) datasets.MNIST是Pytorch的内置函数 trainTrue指导入的数据作为训练数据集 downloadTrue若根目录下没有数据集时自动下载 导入完成后可以看到MINST文件内的数据集 提取训练数据和标签 x_train, y_traintrain_data.data,train_data.targets print(x_train.shape) print(y_train.shape) x_train存储60000张28*28的图片y_train存储60000张图片对应的数字label 同理操作验证数据集 从 torchvision导入MNIST验证数据集并提取数据和标签 val_datadatasets.MNIST(./data, trainFalse, downloadTrue) x_val,y_valval_data.data, val_data.targets print(x_val.shape) print(y_val.shape) 给张量添加维度 Pytorch中张量可以是一维、二维、三维或者更高维度的数据结构。一维张量类似于向量二维张量类似于矩阵三维张量类似一系列矩阵的堆叠。添加新的维度可以更好地对数据进行表示和处理。 if len(x_train.shape)3:x_trainx_train.unsqueeze(1) print(x_train.shape)if len(x_val.shape)3:x_valx_val.unsqueeze(1) print(x_val.shape) .unsqueeze(0)指添加在第一个维度 也可以通过x_train.view(60000,1,28,28)添加维度 可以看到张量由三维变为了四维  打印示例图像 引入所需的包定义一个辅助函数将张量显示为图像 from torchvision import utils import matplotlib.pyplot as plt import numpy as np def show(img):npimg img.numpy()npimg_trnp.transpose(npimg, (1,2,0))plt.imshow(npimg_tr,interpolationnearest) 创建一个10*10的网格每行10张图片pedding3指间隔为3 x_gridutils.make_grid(x_train[:100], nrow10, padding3) print(x_grid.shape) show(x_grid) utils.make_grid实际上是将多张图片拼接起来参照官方介绍