pytorch如何實現mnist數據集的圖像可視化及保存

小編給大家分享一下pytorch如何實現mnist數據集的圖像可視化及保存，希望大家閱讀完這篇文章之后都有所收獲，下面讓我們一起去探討吧！

如何將pytorch中mnist數據集的圖像可視化及保存

導出一些庫

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

數據集的準備

#訓練集測試集的準備

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)

將訓練及測試集利用dataloader進行迭代

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]#前兩千張
 #具體查看圖像形式為：
 
a_data, a_label = train_data[0]
print(type(a_data))#tensor 類型
#print(a_data)
print(a_label)

#把原始圖片保存至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個
 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])#打印出標簽
 scipy.misc.toimage(image_array,cmin=0.0,cmax=1.0).save(filename)#保存圖像

pytorch的優點

1.PyTorch是相當簡潔且高效快速的框架；2.設計追求最少的封裝；3.設計符合人類思維，它讓用戶盡可能地專注于實現自己的想法；4.與google的Tensorflow類似，FAIR的支持足以確保PyTorch獲得持續的開發更新；5.PyTorch作者親自維護的論壇 供用戶交流和求教問題6.入門簡單

看完了這篇文章，相信你對“pytorch如何實現mnist數據集的圖像可視化及保存”有了一定的了解，如果想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！