小编给大家分享一下pytorch如何实现mnist数据集的图像可视化及保存，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！
如何将pytorch中mnist数据集的图像可视化及保存
导出一些库
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
数据集的准备
#训练集测试集的准备
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)
将训练及测试集利用dataloader进行迭代
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]#前两千张 #具体查看图像形式为： a_data, a_label = train_data[0] print(type(a_data))#tensor 类型 #print(a_data) print(a_label) #把原始图片保存至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个 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])#打印出标签 scipy.misc.toimage(image_array,cmin=0.0,cmax=1.0).save(filename)#保存图像
1.PyTorch是相当简洁且高效快速的框架；2.设计追求最少的封装；3.设计符合人类思维，它让用户尽可能地专注于实现自己的想法；4.与google的Tensorflow类似，FAIR的支持足以确保PyTorch获得持续的开发更新；5.PyTorch作者亲自维护的论坛 供用户交流和求教问题6.入门简单
看完了这篇文章，相信你对“pytorch如何实现mnist数据集的图像可视化及保存”有了一定的了解，如果想了解更多相关知识，欢迎关注创新互联成都网站设计公司行业资讯频道，感谢各位的阅读！
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
