1 Fashion-MNIST简介

FashionMNIST 是一个替代 MNIST 手写数字集的图像数据集。它是由 Zalando（一家德国的时尚科技公司）旗下的研究部门提供。其涵盖了来自 10 种类别的共 7 万个不同商品的正面图片。
FashionMNIST 的大小、格式和训练集/测试集划分与原始的 MNIST 完全一致。60000/10000 的训练测试数据划分，28x28 的灰度图片。你可以直接用它来测试你的机器学习和深度学习算法性能，且不需要改动任何的代码。说白了就是手写数字没有衣服鞋子之类的更复杂。

1.1 Fashion-MNIST数据集标签类件组成

Fashion-MNIST数据集包含了10个类别的图像，分别是：t-shirt（T恤），trouser（牛仔裤），pullover（套衫），dress（裙子），coat（外套），sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag（包），ankle boot（短靴）。

1.2 Fashion-MNIST数据集文件组成

共包含四个文件，分别为：

训练数据图片train-images-idx3-ubyte
训练数据标签train-labels-idx1-ubyte
测试数据图片t10k-images-idx3-ubyte
测试数据标签t10k-labels-idx1-ubyte

1.3 Fashion-MNIST数据集序列号

标注编号描述
0：T-shirt/top（T恤）
1：Trouser（裤子）
2：Pullover（套衫）
3：Dress（裙子）
4：Coat（外套）
5：Sandal（凉鞋）
6：Shirt（汗衫）
7：Sneaker（运动鞋）
8：Bag（包）
9：Ankle boot（踝靴）

2 识别黑白图中的服装图案实战代码分解

2.1 自动下载Fashion-MNIST数据集

2.1.1 自动下载代码---Fashion-MNISt-CNN.py（第1部分）

import  torchvision
import torchvision.transforms as transforms
import pylab
import torch
from matplotlib import pyplot as plt
import torch.utils.data
import torch.nn.functional as F
import numpy as np
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"# 定义显示图像的函数
def imshow(img):print("图片形状",np.shape(img))img = img/2 +0.5npimg = img.numpy()plt.axis('off')plt.imshow(np.transpose(npimg,(1,2,0)))### 1.1 自动下载FashionMNIST数据集
data_dir = './fashion_mnist' # 设置存放位置
transform = transforms.Compose([transforms.ToTensor()]) # 可以自动将图片转化为Pytorch支持的形状[通道，高，宽]，同时也将图片的数值归一化
train_dataset = torchvision.datasets.FashionMNIST(data_dir,train=True,transform=transform,download=True)
print("训练集的条数",len(train_dataset))

2.2 读取及其显示Fashion-MNIST中的数据

2.2.1 读取及其显示Fashion-MNIST中的数据代码实现 ---Fashion-MNISt-CNN.py（第2部分）

### 1.2 读取及显示FashionMNIST数据集中的数据
val_dataset = torchvision.datasets.FashionMNIST(root=data_dir,train=False,transform=transform)
print("测试集的条数",len(val_dataset))

2.2.2 FAshion-MNIST数据集补充知识

Fashion-MNST数据集中的图片大小是28像素×28像素。每-幅图就是1行784(28×28)列的数据括二中的每个值优麦一个像素。

关于像素：如果是黑白的图片，那么图案中黑色的地方数值为Q；在有图案的地方，数据为0~255的数字，代表其颜色的深度。如果是彩色的图片，那么一个像素会有3个值来表示其RGB(红、绿、蓝)值。

2.3 制造批次数据集

2.3.1 数据集封装类 DataLoader

torch.utils.data.DataLoader(dataset, batch_size=1,shuffle=False,sampler=None,batch_sampler=None, num_workers=0, collate_fn=None,pin_memory=False, drop_last=False, timeout=0，worker_init_fn=None)
Arguments:dataset (Dataset): 是一个DataSet对象，表示需要加载的数据集.batch_size (int, optional): 每一个batch加载多少组样本，即指定batch_size，默认是 1 shuffle (bool, optional): 布尔值True或者是False ，表示每一个epoch之后是否对样本进行随机打乱，默认是False
------------------------------------------------------------------------------------sampler (Sampler, optional): 接受一个采集器对象，并且使用该策略进行提取样本，如果指定这个参数，那么shuffle必须为Falsebatch_sampler (Sampler, optional): 与sampler类似，但是一次只返回一个batch的indices（索引），需要注意的是，一旦指定了这个参数，那么batch_size,shuffle,sampler,drop_last就不能再制定了（互斥）。
------------------------------------------------------------------------------------num_workers (int, optional): 设置加载数据的额外进程数量。0意味着所有的数据都会被load进主进程。（默认为0）collate_fn (callable, optional): 接收一个自定义函数。当该参数不为None时，系统会在从数据集中取出数据之后，将数据传入collate_fn中，由collate_fn参数所指向的函数对数据进行二次加工。该参数常用于在不同场景（测试和训练场景）下对同一数据集的数据提取。pin_memory (bool, optional): 如果设置为True，那么data loader将会在返回它们之前，将tensors拷贝到CUDA中的固定内存（CUDA pinned memory）中.
------------------------------------------------------------------------------------drop_last (bool, optional): 如果设置为True：这个是对最后的未完成的batch来说的，比如你的batch_size设置为64，而一个epoch只有100个样本，那么训练的时候后面的36个就被扔掉了，如果为False（默认），那么会继续正常执行，只是最后的batch_size会小一点。
------------------------------------------------------------------------------------timeout (numeric, optional): 如果是正数，表明等待从worker进程中收集一个batch等待的时间，若超出设定的时间还没有收集到，停止收集。这个numeric应总是大于等于0。默认为0.            worker_init_fn (callable, optional): 每个子进程的初始化函数，加载数据之前运行。

2.3.3 DataLoader中的Sampler类

SequentialSampler：按照原有的样本顺序进行采样。
RandomSampler：按照随机u顺序进行采样，可以设置是否重复采样。
SubsetRandomSampler：按照指定的集合或索引列表进行随机顺序采样。
WeightedRandomSampler：按照指定的概率进行随机，顺序采样。
BatchSampler：按照指定的批次索引进行采样。

2.3.4 按照批次封装Fashion-MNIST数据集 ---Fashion-MNISt-CNN.py（第3部分）

### 1.3 按批次封装FashionMNIST数据集
batch_size = 10 #设置批次大小
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(val_dataset, batch_size=batch_size, shuffle=False)

2.3.5 读取批次数据集实战代码 ---Fashion-MNISt-CNN.py（第4部分）

### 1.4 读取批次数据集
## 定义类别名称
classes = ('T-shirt', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle_Boot')
sample = iter(train_loader) # 将数据集转化成迭代器
images,labels = sample.next() # 从迭代器中取得一批数据
print("样本形状",np.shape(images)) # 打印样本形状
# 输出 样本形状 torch.Size([10, 1, 28, 28])
print("样本标签",labels)
# 输出 图片形状 torch.Size([3, 32, 302])
imshow(torchvision.utils.make_grid(images,nrow = batch_size)) # 数据可视化：make_grid()将该批次的图片内容组合为一个图片，用于显示，nrow用于设置生成图片中每行的样本数量
print(','.join('%5s' % classes[labels[j]] for j in range(len(images))))
# 输出 Trouser,Trouser,Dress,  Bag,Shirt,Sandal,Shirt,Dress,  Bag,  Bag

2.4 构建并训练模型

2.4.1 定义模型类MyConNet---Fashion-MNISt-CNN.py（第5部分）

总体结构为两个卷积层结合3个全连接层，如下图：

### 1.5 定义模型类
class myConNet(torch.nn.Module):def __init__(self):super(myConNet, self).__init__()# 定义卷积层self.conv1 = torch.nn.Conv2d(in_channels = 1 ,out_channels = 6,kernel_size = 5)self.conv2 = torch.nn.Conv2d(in_channels = 6,out_channels = 12,kernel_size = 5)# 定义全连接层self.fc1 = torch.nn.Linear(in_features = 12*4*4,out_features = 120)self.fc2 = torch.nn.Linear(in_features = 120,out_features = 60)self.out = torch.nn.Linear(in_features = 60,out_features = 10) # 10是固定的，因为必须要和模型所需要的分类个数一致def forward(self,t):# 第一层卷积和池化处理t = self.conv1(t)t = F.relu(t)t = F.max_pool2d(t, kernel_size=2, stride=2)# 第二层卷积和池化处理t = self.conv2(t)t = F.relu(t)t = F.max_pool2d(t, kernel_size=2, stride=2)# 搭建全连接网络，第一层全连接t = t.reshape(-1, 12 * 4 * 4)  # 将卷积结果由4维变为2维t = self.fc1(t)t = F.relu(t)# 第二层全连接t = self.fc2(t)t = F.relu(t)# 第三层全连接t = self.out(t)return t
if __name__ == '__main__':network = myConNet() # 生成自定义模块的实例化对象#指定设备device = torch.device("cuda:0"if torch.cuda.is_available() else "cpu")print(device)network.to(device)print(network) # 打印myConNet网络

输出：

cuda:0
myConNet(
(conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
(conv2): Conv2d(6, 12, kernel_size=(5, 5), stride=(1, 1))
(fc1): Linear(in_features=192, out_features=120, bias=True)
(fc2): Linear(in_features=120, out_features=60, bias=True)
(out): Linear(in_features=60, out_features=10, bias=True)
)

2.4.2 定义损失的计算方法与优化---Fashion-MNISt-CNN.py（第6部分）

### 1.6 损失函数与优化器criterion = torch.nn.CrossEntropyLoss()  #实例化损失函数类optimizer = torch.optim.Adam(network.parameters(), lr=.01)

2.4.3 训练模型---Fashion-MNISt-CNN.py（第7部分）

### 1.7 训练模型for epoch in range(2):  # 数据集迭代2次running_loss = 0.0for i, data in enumerate(train_loader, 0):  # 循环取出批次数据 使用enumerate()函数对循环计数，第二个参数为0，表示从0开始inputs, labels = datainputs, labels = inputs.to(device), labels.to(device)  #optimizer.zero_grad()  # 清空之前的梯度outputs = network(inputs)loss = criterion(outputs, labels)  # 计算损失loss.backward()  # 反向传播optimizer.step()  # 更新参数running_loss += loss.item()### 训练过程的显示if i % 1000 == 999:print('[%d, %5d] loss: %.3f' %(epoch + 1, i + 1, running_loss / 2000))running_loss = 0.0print('Finished Training')

输出：

[1, 1000] loss: 0.465
[1, 2000] loss: 0.346
[1, 3000] loss: 0.320
[1, 4000] loss: 0.301
[1, 5000] loss: 0.293
[1, 6000] loss: 0.293
[2, 1000] loss: 0.290
[2, 2000] loss: 0.280
[2, 3000] loss: 0.280
[2, 4000] loss: 0.288
[2, 5000] loss: 0.285
[2, 6000] loss: 0.288
Finished Training

2.4.4 保存模型---Fashion-MNISt-CNN.py（第8部分）

### 1.8 保存模型torch.save(network.state_dict(),'./models/CNNFashionMNist.PTH')

2.5 加载模型，并进行预测

2.5.1 加载模型并预测代码实现 ---Fashion-MNISt-CNN.py（第9部分）

### 1.9 加载模型，并且使用该模型进行预测network.load_state_dict(torch.load('./models/CNNFashionMNist.PTH')) # 加载模型# 使用模型dataiter = iter(test_loader) # 获取测试数据images, labels = dataiter.next()inputs, labels = images.to(device), labels.to(device)imshow(torchvision.utils.make_grid(images, nrow=batch_size)) # 取出一批数据进行展示print('真实标签: ', ' '.join('%5s' % classes[labels[j]] for j in range(len(images))))# 输出：真实标签:  Ankle_Boot Pullover Trouser Trouser Shirt Trouser  Coat Shirt Sandal Sneakeroutputs = network(inputs) # 调用network对输入样本进行预测，得到测试结果outputs_, predicted = torch.max(outputs, 1) # 对于预测结果outputs沿着第1维度找出最大值及其索引值，该索引值即为预测的分类结果print('预测结果: ', ' '.join('%5s' % classes[predicted[j]] for j in range(len(images))))# 输出：预测结果:  Ankle_Boot Pullover Trouser Trouser Pullover Trouser Shirt Shirt Sandal Sneaker

输出：

图片形状 torch.Size([3, 32, 302])
真实标签: Ankle_Boot Pullover Trouser Trouser Shirt Trouser Coat Shirt Sandal Sneaker
预测结果: Ankle_Boot Pullover Trouser Trouser Shirt Trouser Pullover Shirt Sandal Sneaker

2.6 评估模型

2.6.1 评估模型的作用

对于模型的能力进行一个精确的评估，需要对每一个分类的精度进行量化计算

2.6.2 评估模型代码实现

### 1.10 评估模型# 测试模型class_correct = list(0. for i in range(10)) # 定义列表，收集每个类的正确个数class_total = list(0. for i in range(10)) # 定义列表，收集每个类的总个数with torch.no_grad():for data in test_loader: # 遍历测试数据集images, labels = datainputs, labels = images.to(device), labels.to(device)outputs = network(inputs) # 将每个批次的数据输入模型_, predicted = torch.max(outputs, 1) # 计算预测结果predicted = predicted.to(device)c = (predicted == labels).squeeze() # 统计正确的个数for i in range(10): # 遍历所有类别label = labels[i]class_correct[label] = class_correct[label] + c[i].item() # 若该类别正确则+1class_total[label] = class_total[label] + 1 # 根据标签中的类别，计算类的总数sumacc = 0for i in range(10): # 输出每个类的预测结果Accuracy = 100 * class_correct[i] / class_total[i]print('Accuracy of %5s : %2d %%' % (classes[i], Accuracy))sumacc = sumacc + Accuracyprint('Accuracy of all : %2d %%' % (sumacc / 10.)) # 输出最终的准确率

输出：

Accuracy of T-shirt : 70 %
Accuracy of Trouser : 91 %
Accuracy of Pullover : 77 %
Accuracy of Dress : 81 %
Accuracy of Coat : 64 %
Accuracy of Sandal : 89 %
Accuracy of Shirt : 50 %
Accuracy of Sneaker : 90 %
Accuracy of Bag : 94 %
Accuracy of Ankle_Boot : 95 %

Accuracy of all : 80 %

2.6.3 Tip

模型的测试结果只是一个模型能力的参考值，它并不能完全反映模型的真实情况。这取决于训练样本和测试样本的分布情况，也取决于摸型本身的拟合质量。
在计算机上运行代码时，得到的值可能的值不一样，甚至每次运行时，得到的值也不一样，这是因为每次初始的权重w是随机的。由于初始权重不同，而且每次训练的批次数据也不同，因此最终生成的模型也不会完全相同。但如果核心算法一致，那么会保证最终的结果不会有太大的偏差。

3 识别黑白图中的服装图案总览

import  torchvision
import torchvision.transforms as transforms
import pylab
import torch
from matplotlib import pyplot as plt
import torch.utils.data
import torch.nn.functional as F
import numpy as np
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"# 定义显示图像的函数
def imshow(img):print("图片形状",np.shape(img))img = img/2 +0.5npimg = img.numpy()plt.axis('off')plt.imshow(np.transpose(npimg,(1,2,0)))### 1.1 自动下载FashionMNIST数据集
data_dir = './fashion_mnist' # 设置存放位置
transform = transforms.Compose([transforms.ToTensor()]) # 可以自动将图片转化为Pytorch支持的形状[通道，高，宽]，同时也将图片的数值归一化
train_dataset = torchvision.datasets.FashionMNIST(data_dir,train=True,transform=transform,download=True)
print("训练集的条数",len(train_dataset))### 1.2 读取及显示FashionMNIST数据集中的数据
val_dataset = torchvision.datasets.FashionMNIST(root=data_dir,train=False,transform=transform)
print("测试集的条数",len(val_dataset))
##1.2.1 显示数据集中的数据
im = train_dataset[0][0].numpy()
im = im.reshape(-1,28)
pylab.imshow(im)
pylab.show()
print("当前图片的标签为",train_dataset[0][1])### 1.3 按批次封装FashionMNIST数据集
batch_size = 10 #设置批次大小
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(val_dataset, batch_size=batch_size, shuffle=False)### 1.4 读取批次数据集
## 定义类别名称
classes = ('T-shirt', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle_Boot')
sample = iter(train_loader) # 将数据集转化成迭代器
images,labels = sample.next() # 从迭代器中取得一批数据
print("样本形状",np.shape(images)) # 打印样本形状
# 输出 样本形状 torch.Size([10, 1, 28, 28])
print("样本标签",labels)
# 输出 图片形状 torch.Size([3, 32, 302])
imshow(torchvision.utils.make_grid(images,nrow = batch_size)) # 数据可视化：make_grid()将该批次的图片内容组合为一个图片，用于显示，nrow用于设置生成图片中每行的样本数量
print(','.join('%5s' % classes[labels[j]] for j in range(len(images))))
# 输出 Trouser,Trouser,Dress,  Bag,Shirt,Sandal,Shirt,Dress,  Bag,  Bag### 1.5 定义模型类
class myConNet(torch.nn.Module):def __init__(self):super(myConNet, self).__init__()# 定义卷积层self.conv1 = torch.nn.Conv2d(in_channels = 1 ,out_channels = 6,kernel_size = 5)self.conv2 = torch.nn.Conv2d(in_channels = 6,out_channels = 12,kernel_size = 5)# 定义全连接层self.fc1 = torch.nn.Linear(in_features = 12*4*4,out_features = 120)self.fc2 = torch.nn.Linear(in_features = 120,out_features = 60)self.out = torch.nn.Linear(in_features = 60,out_features = 10) # 10是固定的，因为必须要和模型所需要的分类个数一致def forward(self,t):# 第一层卷积和池化处理t = self.conv1(t)t = F.relu(t)t = F.max_pool2d(t, kernel_size=2, stride=2)# 第二层卷积和池化处理t = self.conv2(t)t = F.relu(t)t = F.max_pool2d(t, kernel_size=2, stride=2)# 搭建全连接网络，第一层全连接t = t.reshape(-1, 12 * 4 * 4)  # 将卷积结果由4维变为2维t = self.fc1(t)t = F.relu(t)# 第二层全连接t = self.fc2(t)t = F.relu(t)# 第三层全连接t = self.out(t)return t
if __name__ == '__main__':network = myConNet() # 生成自定义模块的实例化对象#指定设备device = torch.device("cuda:0"if torch.cuda.is_available() else "cpu")print(device)network.to(device)print(network) # 打印myConNet网络
### 1.6 损失函数与优化器criterion = torch.nn.CrossEntropyLoss()  #实例化损失函数类optimizer = torch.optim.Adam(network.parameters(), lr=.01)
### 1.7 训练模型for epoch in range(2):  # 数据集迭代2次running_loss = 0.0for i, data in enumerate(train_loader, 0):  # 循环取出批次数据 使用enumerate()函数对循环计数，第二个参数为0，表示从0开始inputs, labels = datainputs, labels = inputs.to(device), labels.to(device)  #optimizer.zero_grad()  # 清空之前的梯度outputs = network(inputs)loss = criterion(outputs, labels)  # 计算损失loss.backward()  # 反向传播optimizer.step()  # 更新参数running_loss += loss.item()### 训练过程的显示if i % 1000 == 999:print('[%d, %5d] loss: %.3f' %(epoch + 1, i + 1, running_loss / 2000))running_loss = 0.0print('Finished Training')
### 1.8 保存模型torch.save(network.state_dict(),'./models/CNNFashionMNist.PTH')### 1.9 加载模型，并且使用该模型进行预测network.load_state_dict(torch.load('./models/CNNFashionMNist.PTH')) # 加载模型# 使用模型dataiter = iter(test_loader) # 获取测试数据images, labels = dataiter.next()inputs, labels = images.to(device), labels.to(device)imshow(torchvision.utils.make_grid(images, nrow=batch_size)) # 取出一批数据进行展示print('真实标签: ', ' '.join('%5s' % classes[labels[j]] for j in range(len(images))))# 输出：真实标签:  Ankle_Boot Pullover Trouser Trouser Shirt Trouser  Coat Shirt Sandal Sneakeroutputs = network(inputs) # 调用network对输入样本进行预测，得到测试结果outputs_, predicted = torch.max(outputs, 1) # 对于预测结果outputs沿着第1维度找出最大值及其索引值，该索引值即为预测的分类结果print('预测结果: ', ' '.join('%5s' % classes[predicted[j]] for j in range(len(images))))# 输出：预测结果:  Ankle_Boot Pullover Trouser Trouser Pullover Trouser Shirt Shirt Sandal Sneaker### 1.10 评估模型# 测试模型class_correct = list(0. for i in range(10)) # 定义列表，收集每个类的正确个数class_total = list(0. for i in range(10)) # 定义列表，收集每个类的总个数with torch.no_grad():for data in test_loader: # 遍历测试数据集images, labels = datainputs, labels = images.to(device), labels.to(device)outputs = network(inputs) # 将每个批次的数据输入模型_, predicted = torch.max(outputs, 1) # 计算预测结果predicted = predicted.to(device)c = (predicted == labels).squeeze() # 统计正确的个数for i in range(10): # 遍历所有类别label = labels[i]class_correct[label] = class_correct[label] + c[i].item() # 若该类别正确则+1class_total[label] = class_total[label] + 1 # 根据标签中的类别，计算类的总数sumacc = 0for i in range(10): # 输出每个类的预测结果Accuracy = 100 * class_correct[i] / class_total[i]print('Accuracy of %5s : %2d %%' % (classes[i], Accuracy))sumacc = sumacc + Accuracyprint('Accuracy of all : %2d %%' % (sumacc / 10.)) # 输出最终的准确率

【Pytorch神经网络实战案例】08 识别黑白图中的服装图案(Fashion-MNIST)相关推荐

实例39：用胶囊网络识别黑白图中的服装图片
一.熟悉样本:了解Fashion-MNIST数据集 FashionMNIST数据集的单个样本为28pixel*28pixel的灰度图片.训练集有60000张图片,测试集有10000张图片.样本内容为上 ...
【Pytorch神经网络实战案例】10 搭建深度卷积神经网络
识别黑白图中的服装图案(Fashion-MNIST)https://blog.csdn.net/qq_39237205/article/details/123379997基于上述代码修改模型的组成 1 ...
【Pytorch神经网络实战案例】21 基于Cora数据集实现Multi_Sample Dropout图卷积网络模型的论文分类
Multi-sample Dropout是Dropout的一个变种方法,该方法比普通Dropout的泛化能力更好,同时又可以缩短模型的训练时间.XMuli-sampleDropout还可以降低训练集和 ...
【Pytorch神经网络实战案例】20 基于Cora数据集实现图卷积神经网络论文分类
1 案例说明(图卷积神经网络) CORA数据集里面含有每一篇论文的关键词以及分类信息,同时还有论文间互相引用的信息.搭建AI模型,对数据集中的论文信息进行分析,根据已有论文的分类特征,从而预测出未知分 ...
【Pytorch神经网络实战案例】22 基于Cora数据集实现图注意力神经网络GAT的论文分类
注意力机制的特点是,它的输入向量长度可变,通过将注意力集中在最相关的部分来做出决定.注意力机制结合RNN或者CNN的方法. 1 实战描述 [主要目的:将注意力机制用在图神经网络中,完成图注意力神经网络 ...
【Pytorch神经网络实战案例】18 最大化深度互信信息模型DIM实现搜索最相关与最不相关的图片
图片搜索器分为图片的特征提取和匹配两部分,其中图片的特征提取是关键.将使用一种基于无监督模型的提取特征的方法实现特征提取,即最大化深度互信息(DeepInfoMax,DIM)方法. 1 最大深度互信信 ...
【Pytorch神经网络实战案例】27 MaskR-CNN内置模型实现语义分割
1 PyTorch中语义分割的内置模型在torchvision库下的models\segmentation目录中,找到segmentation.Py文件.该文件中存放着PyTorch内置的语义分割模 ...
【Pytorch神经网络实战案例】14 构建条件变分自编码神经网络模型生成可控Fashon-MNST模拟数据
1 条件变分自编码神经网络生成模拟数据案例说明在实际应用中,条件变分自编码神经网络的应用会更为广泛一些,因为它使得模型输出的模拟数据可控,即可以指定模型输出鞋子或者上衣. 1.1 案例描述在变分自 ...
【Pytorch神经网络实战案例】33 使用BERT模型实现完形填空任务
1 案例描述案例:加载Transformers库中的BERT模型,并用它实现完形填空任务,即预测一个句子中缺失的单词. 2 代码实现:使用BERT模型实现完形填空任务 2.1 代码实现:载入词表,并 ...

【Pytorch神经网络实战案例】08 识别黑白图中的服装图案(Fashion-MNIST)