数据增强-随机转动（pyplot.subplot绘制MNIST手写数字多个子图）

最新推荐文章于 2024-08-30 21:51:36 发布

原创

最新推荐文章于 2024-08-30 21:51:36 发布 · 745 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#matplotlib #python

该博客展示了如何使用pyplot.subplot绘制MNIST手写数字数据集的多个子图，创建3x3和3x4的图像网格。同时，通过keras.preprocessing.image.ImageDataGenerator实现数据增强，演示了如何随机旋转图像90°以增强训练数据集。

一：pyplot.subplot绘制MNIST手写数字多个子图

from keras.datasets import mnist
from matplotlib import pyplot
# load data
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# create a grid of 3x3 images
for i in range(0, 9):
    pyplot.subplot(330 + 1 + i)
    pyplot.imshow(X_train

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

宋yongchao

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【机器学习】使用pyplot绘制MNIST数据集中的手写数字

书山路遥

07-02

1304

MNIST数据集是人工智能大佬Yann LeCun给出的一套手写数字的数据集，训练集包含60,000个样本和标注，测试集包含10,000个样本和标注。可以给新手用来练手用。数据集表示标注：数字分为0-9，总共10个数字，标注也是从0-9，分别对应0-910个数字；图片：将每张图片切分成2828的矩阵，矩阵的每个元素使用灰度值来表示，所以总共使用一个2828的矩阵来表示图片；下载数据集数据集下载地址：http://yann.lecun.com/exdb/mnist/ 整个数据集分为四个部分：.

一、keras CNN卷积神经网络------搭建mnist手写数字识别网络

weixin_45477686的博客

12-20

1858

使用keras CNN卷积神经网络------搭建mnist手写数字识别网络

参与评论您还未登录，请先登录后发表或查看评论

tensorflow mnist 数据加载实现并画图效果

09-18

TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。这篇文章给大家介绍tensorflow mnist 数据加载实现并画图效果，感兴趣的朋友一起看看吧

python3 matplotlib绘制图形

筑梦之路

09-03

2534

1.初识matplotlib #matplotlib库操作 import matplotlib.pyplot as plt #创建图表1 dpi设置图表大小 plt.figure(1, dpi=50) #创建子图表 2*2的图标矩阵绘制的子图为矩阵的3序号 plt.subplot(2, 2, 3) #显示四个子图 plt.subplot(2, 2, 1) plt.subplot(2, 2...

如何对TensorFlow_DataSets下的MNIST数据集进行画图

Sazer的博客

12-05

616

这里的代码首先使用tensorflow_datasets （简称tfds）读取mnist数据集，需要注意的是第一次读取过程中需要从服务器上下载数据，因此会比较慢，方法中的name属性表示要下载的数据集名称，split属性表示将数据集切片为“训练集”和“测试集”，as_supervised属性设置导出的数据集是否包含Label属性。其中 TensorFLow_DataSets模块自带的数据集，更是免去了学习过程中数据搜集不到的尴尬，这里作者简要介绍其中的一种MNIST数据集的画图操作。

python绘制MNIST数据集灰度矩阵图像

weixin_42397505的博客

09-13

387

函数asfarray()用于将文本字符转换为数值型，reshape()函数用于将行向量转换成28*28的矩阵。data_file = open(“路径\mnist_train.csv”, “r”)#必须加这一句，负责pycharm中是无法绘出灰度矩阵图的。#以逗号进行拆分数据。

T1 - 实现mnist手写数字识别

hazel_cjx的博客

08-30

1001

MNIST手写数字数据集来源于是美国国家标准与技术研究所，是著名的公开数据集之一。

P1 Pytorch入门实战——Pytorch实现mnist手写数字识别

weixin_43934209的博客

08-30

1400

MNIST手写数字数据集来源于是美国国家标准与技术研究所，是著名的公开数据集之一。数据集中的数字图片是由250个不同职业的人纯手写绘制包含了70000张图片，其中60000张为训练数据，10000为测试数据，70000张图片均是28*28。如果我们把每一张图片中的像素转换为向量，则得到长度为28*28=784的向量。因此我们可以把训练集看成是一个的张量，第一个维度表示图片的索引，第二个维度表示每张图片中的像素点。而图片里的每个像素点的值介于0-1之间。

深度学习Day-01：实现MNIST手写数字识别

m0_51359915的博客

01-12

1300

深度学习pytorch

mnist数据集python导入_10分钟内用Python创建类似MNIST的数据集，并提供可配置接口

weixin_39827798的博客

11-22

466

构建您的完全可配置接口，以在10分钟内使用Python创建类似MNIST的数据集逐步使用用户友好的python界面，以从JSON配置文件(带有代码)写入数据集对于个人项目，也许是论文(手指交叉)，我需要创建类似MNIST的数据集。我认为这可能对其他人有用。因此，我将解释如何使用Python 编写此接口的代码。(github仓库)本文的目的是能够尽可能灵活和快速地设计自己的界面。该界面将允许我们用鼠...

Tensorflow 实现Mnist手写识别与 Tensorboard使用来画图(基于pycharmIDE) Ubuntu环境

weili_的博客

08-19

607

Tensorflow中的tensorboard是个非常强大的可视化工具,这里直接进入主题:(代码见下面),关于tensorboard知识见我上一篇转载的博客:https://blog.csdn.net/weili_/article/details/81840459 这是我的代码，这无所谓，毕竟不是我要说的重点简单的使用方法是: tensorboard --logdir=logs 这里的l...

python加载文件数据并画图_tensorflow mnist 数据加载实现并画图效果

weixin_39707168的博客

12-03

341

关于 TensorFlowTensorFlow™ 是一个采用数据流图(data flow graphs)，用于数值计算的开源软件库。节点(Nodes)在图中表示数学操作，图中的线(edges)则表示在节点间相互联系的多维数据数组，即张量(tensor)。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU(或GPU)，服务器，移动设备等等。TensorFlow 最初由Goo...

手工画图转化适合MNIST的灰度图像

TBTB的博客

11-28

1683

手工画图转化适合MNIST的灰度图像因为电脑没有安装photoshop，所以用windows自带画图软件进行测试，相关配置如下图：但，通过此方法画出的图像是RGB三通道，需要先转化成与MNIST相同的灰度图像。相关方法可查看下面两篇博客：图像处理库PIL中图像格式转换（一）图像处理库PIL中图像格式转换（二）转化成灰度图像 from PIL import Image,ImageO...

（一）MNIST入门的一些小结

Micusd的博客

07-06

1015

老师说后面的主要工具是TensorFlow，尽管之前看完了吴恩达老师的《机器学习》和《深度学习》，由于当时忙着做毕业设计，以及网易云课堂上并没有课后题目，因此动手的工作一直闲置了下来，正好趁着暑假来学校的机会，好好学一下Python和TensorFlow。主要参考教程为TensorFlow中文社区提供的完整教程，先在此感谢一番，然后进入正题记录一下学习时不太明白的地方。因为impo...

plt.subplot()使用方法

最新发布

01-21

### 构建两层神经网络对MNIST手写数字进行分类 #### 1. 导入必要的库为了构建并训练一个简单的两层神经网络来对手写数字进行分类，首先需要导入所需的Python库。这包括用于加载和预处理数据的模块以及定义模型架构的核心组件。 ```python import tensorflow as tf from tensorflow.keras import layers, models from tensorflow.keras.datasets import mnist from tensorflow.keras.utils import to_categorical ``` 这些命令引入了`tensorflow`及其子包`keras`中的功能，后者提供了高层API以便快速创建复杂的机器学习模型[^2]。 #### 2. 加载与准备数据集接下来是从Keras内置的数据集中获取MNIST图像，并对其进行标准化处理以适应后续操作的需求： ```python (train_images, train_labels), (test_images, test_labels) = mnist.load_data() train_images = train_images.reshape((60000, 28 * 28)) train_images = train_images.astype('float32') / 255 test_images = test_images.reshape((10000, 28 * 28)) test_images = test_images.astype('float32') / 255 train_labels = to_categorical(train_labels) test_labels = to_categorical(test_labels) ``` 上述代码片段完成了几个重要任务：下载MNIST数据库；调整输入图片大小使之成为一维向量形式；将像素强度值缩放到区间\[0,1\];最后把标签转换成独热编码(one-hot encoding)[^3]. #### 3. 定义模型结构现在可以建立具有两个隐藏层的人工神经元网络（ANN）。这里采用的是密集连接型(Densely Connected)，即每一层上的节点都与其他各层相连: ```python model = models.Sequential() model.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,))) model.add(layers.Dense(10, activation='softmax')) ``` 这段脚本初始化了一个顺序堆叠式的多层感知器(Multilayer Perceptron, MLP)，其中包含了第一个拥有512个单元且激活函数为ReLU(Rectified Linear Unit) 的隐含层，紧接着是一个输出维度等于类别数目的Softmax层用来预测概率分布. #### 4. 编译配置优化算法及损失度量方式完成模型设计之后，则需指定求解过程所使用的梯度下降法变体以及其他辅助参数如性能指标等： ```python model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) ``` 此部分指定了RMSProp作为更新权重的方法之一，它能够自适应调节步长从而加快收敛速度; 同时选择了交叉熵(cross entropy)衡量误差水平，并关注最终准确率的变化趋势. #### 5. 训练模型有了完整的设置后就可以调用fit()方法启动迭代计算循环直至达到预定轮次或满足特定条件为止： ```python history = model.fit(train_images, train_labels, epochs=5, batch_size=128, validation_split=0.2) ``` 此处设置了总共执行五遍完整扫描整个训练样本集合的过程(batch size设为128意味着每次仅取固定数量实例参与反向传播); 此外还保留了一定量比例的数据供验证用途，帮助监控泛化能力的表现情况. #### 6. 绘制精度和损失曲线训练完成后可以通过绘制图表直观了解模型在整个过程中表现出来的特性变化规律： ```python import matplotlib.pyplot as plt plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.plot(history.history['accuracy'], label='Training Accuracy') plt.plot(history.history['val_accuracy'], label='Validation Accuracy') plt.xlabel('Epochs') plt.ylabel('Accuracy') plt.legend(loc='lower right') plt.subplot(1, 2, 2) plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend(loc='upper right') plt.tight_layout() plt.show() ``` 该段绘图指令利用Matplotlib工具箱呈现出了随时间推移而演变的学习动态——左侧展示了不同阶段下的平均正确率对比关系；右侧则反映了累积错误程度的发展轨迹[^4].