MNIST 数据集详析：使用残差网络RESNET识别手写数字（文末送书）_数字识别用的数据集

本文链接：https://blog.youkuaiyun.com/2401_84302655/article/details/138981614

还有兄弟不知道网络安全面试可以提前刷题吗？费时一周整理的160+网络安全面试题，金九银十，做网络安全面试里的显眼包！

王岚嵚工程师面试题（附答案），只能帮兄弟们到这儿了！如果你能答对70%，找一个安全工作，问题不大。

对于有1-3年工作经验，想要跳槽的朋友来说，也是很好的温习资料！

【完整版领取方式在文末！！】

93道网络安全面试题

需要体系化学习资料的朋友，可以加我V获取：vip204888 （备注网络安全）

内容实在太多，不一一截图了

黑客学习资源推荐

最后给大家分享一份全套的网络安全学习资料，给那些想学习网络安全的小伙伴们一点帮助！

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

1️⃣零基础入门

① 学习路线

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

② 路线对应学习视频

同时每个成长路线对应的板块都有配套的视频提供：

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！


如果出现这种错误：



> 
> SyntaxError: Non-UTF-8 code starting with \xca in fileD:\PycharmProjects\model-fuxian\data set\MNIST t.py on line 2, but noencoding declared; see http://python.org/dev/peps/pep-0263/ fordetails
> 
> 
> 


大概率是你没加：`# coding:gbk`，为什么呢？由于 Python 默认使用 ASCII 编码来解析源代码，因此如果源文件中包含了非 ASCII 编码的字符（比如中文字符），那么解释器就可能会抛出 SyntaxError 异常。加上# -*- coding: gbk -*-这样的注释语句可以告诉解释器当前源文件的字符编码格式是 GBK，从而避免源文件中文字符被错误地解析。


如果成功运行会出现这种结果，表示已经开始下载了：


![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/0f0103e175db4cd7818862e3e669806d.png)  
 输出结果：



> 
> Dataset MNIST  
>  Number of datapoints: 60000  
>  Root location: ./MNIST  
>  Split: Train  
>  StandardTransform  
>  Transform: ToTensor()  
>  Dataset MNIST  
>  Number of datapoints: 10000  
>  Root location: ./MNIST  
>  Split: Test  
>  StandardTransform  
>  Transform: ToTensor()
> 
> 
> 


## 3.数据集可视化

import torchvision
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
import numpy as np
import matplotlib.pyplot as plt

train_data = datasets.MNIST(root=“model-fuxian/data set/MNIST/MNIST/raw/MNIST”,
train=True,
transform=transforms.ToTensor(),
download=False)

train_loader = DataLoader(dataset=train_data,
batch_size=64,
shuffle=True)

for num, (image, label) in enumerate(train_loader):
image_batch = torchvision.u