Ở bài này, ta sẽ tập trung vào mô hình trực quan hóa dữ liệu với sự trợ giúp của convents. Cần thực hiện các bước sau để có được bức tranh trực quan hoàn hảo với mạng nơ-ron thông thường.
Bước 1 :
Import các thư viện cần thiết
import os
import numpy as np
import pandas as pd
from scipy.misc import imread
from sklearn.metrics import accuracy_score
import keras
from keras.models import Sequential, Model
from keras.layers import Dense, Dropout, Flatten, Activation, Input
from keras.layers import Conv2D, MaxPooling2D
import torchBước 2 :
Để ngăn chặn sự ngẫu nhiên tiềm ẩn với dữ liệu đào tạo và thử nghiệm, ta gọi tập dữ liệu tương ứng được cung cấp trong đoạn code dưới đây –
seed = 128
rng = np.random.RandomState(seed)
data_dir = "../../datasets/MNIST"
train = pd.read_csv('../../datasets/MNIST/train.csv')
test = pd.read_csv('../../datasets/MNIST/Test_fCbTej3.csv')
img_name = rng.choice(train.filename)
filepath = os.path.join(data_dir, 'train', img_name)
img = imread(filepath, flatten=True)Bước 3 :
Plot ảnh cần thiết để có được dữ liệu đào tạo và kiểm tra được xác định như sau :
pylab.imshow(img, cmap ='gray')
pylab.axis('off')
pylab.show()Kết quả :
