コーヒー買ってきて☕
*私の投稿では QMNIST について説明しています。
QMNIST() は、以下に示すように QMNIST データセットを使用できます。
*メモ:
- 最初の引数は root(Required-Type:str または pathlib.Path) です。 *絶対パスまたは相対パスが可能です。
- 2 番目の引数は what(Optional-Default:None-Type:str) です。 ※「train」(60,000枚)、「test」(60,000枚)、「test10k」(10,000枚)、「test50k」(50,000枚)、「nist」(402,953枚)が設定可能です。
- 3 番目の引数は compat(Optional-Default:True-Type:bool) です。 *True の場合、各イメージのクラス番号が返されます (MNIST データローダーとの互換性のため)。False の場合、完全な qmnist 情報の 1D テンソルが返されます。
- 4 番目の引数は train 引数(Optional-Default:True-Type:bool):
*メモ:
- None でない場合は無視されます。
- Trueの場合はトレーニングデータ(60,000枚)が使用され、Falseの場合はテストデータ(60,000枚)が使用されます。
- 変換引数(Optional-Default:None-Type:callable)があります。 *transform= を使用する必要があります。
- target_transform引数(Optional-Default:None-Type:callable)があります。 *target_transform= を使用する必要があります。
- ダウンロード引数があります(Optional-Default:False-Type:bool):
*メモ:
- download= を使用する必要があります。
- True の場合、データセットはインターネットからダウンロードされ、ルートに抽出 (解凍) されます。
- これが True で、データセットが既にダウンロードされている場合、データセットは抽出されます。
- これが True で、データセットがすでにダウンロードされ抽出されている場合は、何も起こりません。
- データセットがすでにダウンロードされ抽出されている場合は、その方が高速であるため、False にする必要があります。
- ここからデータセットを手動でダウンロードして抽出できます。データ/QMNIST/生/。
from torchvision.datasets import QMNIST train_data = QMNIST( root="data" ) train_data = QMNIST( root="data", what=None, compat=True, train=True, transform=None, target_transform=None, download=False ) train_data = QMNIST( root="data", what="train", train=False ) test_data1 = QMNIST( root="data", train=False ) test_data1 = QMNIST( root="data", what="test", train=True ) test_data2 = QMNIST( root="data", what="test10k" ) test_data3 = QMNIST( root="data", what="test50k", compat=False ) nist_data = QMNIST( root="data", what="nist" ) l = len l(train_data), l(test_data1), l(test_data2), l(test_data3), l(nist_data) # (60000, 60000, 10000, 50000, 402953) train_data # Dataset QMNIST # Number of datapoints: 60000 # Root location: data # Split: train train_data.root # 'data' train_data.what # 'train' train_data.compat # True train_data.train # True print(train_data.transform) # None print(train_data.target_transform) # None train_data.download # <bound method qmnist.download of dataset qmnist number datapoints: root location: data split: train> train_data[0] # (<pil.image.image image mode="L" size="28x28">, 5) test_data3[0] # (<pil.image.image image mode="L" size="28x28">, # tensor([3, 4, 2424, 51, 33, 261051, 0, 0])) train_data[1] # (<pil.image.image image mode="L" size="28x28">, 0) test_data3[1] # (<pil.image.image image mode="L" size="28x28">, # tensor([8, 1, 522, 60, 38, 55979, 0, 0])) train_data[2] # (<pil.image.image image mode="L" size="28x28">, 4) test_data3[2] # (<pil.image.image image mode="L" size="28x28">, # tensor([9, 4, 2496, 115, 39, 269531, 0, 0])) train_data[3] # (<pil.image.image image mode="L" size="28x28">, 1) test_data3[3] # (<pil.image.image image mode="L" size="28x28">, # tensor([5, 4, 2427, 77, 35, 261428, 0, 0])) train_data[4] # (<pil.image.image image mode="L" size="28x28">, 9) test_data3[4] # (<pil.image.image image mode="L" size="28x28">, # tensor([7, 4, 2524, 69, 37, 272828, 0, 0])) train_data.classes # ['0 - zero', '1 - one', '2 - two', '3 - three', '4 - four', # '5 - five', '6 - six', '7 - seven', '8 - eight', '9 - nine'] </pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></pil.image.image></bound>
from torchvision.datasets import QMNIST train_data = QMNIST( root="data", what="train" ) test_data1 = QMNIST( root="data", what="test" ) test_data2 = QMNIST( root="data", what="test10k" ) test_data3 = QMNIST( root="data", what="test50k" ) nist_data = QMNIST( root="data", what="nist" ) import matplotlib.pyplot as plt def show_images(data): plt.figure(figsize=(12, 2)) col = 5 for i, (image, label) in enumerate(data, 1): plt.subplot(1, col, i) plt.title(label) plt.imshow(image) if i == col: break plt.show() show_images(data=train_data) show_images(data=test_data1) show_images(data=test_data2) show_images(data=test_data3) show_images(data=nist_data)
以上がPyTorch の QMNISTの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

Numpyを使用して多次元配列を作成すると、次の手順を通じて実現できます。1)numpy.array()関数を使用して、np.array([[1,2,3]、[4,5,6]])などの配列を作成して2D配列を作成します。 2)np.zeros()、np.ones()、np.random.random()およびその他の関数を使用して、特定の値で満たされた配列を作成します。 3)アレイの形状とサイズの特性を理解して、サブアレイの長さが一貫していることを確認し、エラーを回避します。 4)np.reshape()関数を使用して、配列の形状を変更します。 5)コードが明確で効率的であることを確認するために、メモリの使用に注意してください。

BroadcastinginNumPyisamethodtoperformoperationsonarraysofdifferentshapesbyautomaticallyaligningthem.Itsimplifiescode,enhancesreadability,andboostsperformance.Here'showitworks:1)Smallerarraysarepaddedwithonestomatchdimensions.2)Compatibledimensionsare

Forpythondatastorage、chooseLists forfficability withmixeddatypes、array.arrayformemory-efficienthogeneousnumericaldata、およびnumpyArrays foradvancednumericalcomputing.listSareversatilebuteficient efficient forlargeNumericaldatates;

pythonlistsarebetterthanarrays formangingdiversedatypes.1)listscanholdelementsofdifferenttypes、2)adearedditionsandremovals、3)theeofferintutiveoperation likeslicing、but4)theearlessememory-effice-hemory-hemory-hemory-hemory-hemory-adlower-dslorededatas。

toaccesselementsinapythonarray、useindexing:my_array [2] Accessesthirderement、Returning3.pythonuseszero basedIndexing.1)usepositiveandnegativeindexing:my_list [0] forteefirstelement、my_list [-1] exterarast.2)

記事では、構文のあいまいさのためにPythonにおけるタプル理解の不可能性について説明します。 Tupple式を使用してTuple()を使用するなどの代替は、Tuppleを効率的に作成するためにお勧めします。(159文字)

この記事では、Pythonのモジュールとパッケージ、その違い、および使用について説明しています。モジュールは単一のファイルであり、パッケージは__init__.pyファイルを備えたディレクトリであり、関連するモジュールを階層的に整理します。

記事では、PythonのDocstrings、それらの使用、および利点について説明します。主な問題:コードのドキュメントとアクセシビリティに関するドキュストリングの重要性。


ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

Video Face Swap
完全無料の AI 顔交換ツールを使用して、あらゆるビデオの顔を簡単に交換できます。

人気の記事

ホットツール

WebStorm Mac版
便利なJavaScript開発ツール

mPDF
mPDF は、UTF-8 でエンコードされた HTML から PDF ファイルを生成できる PHP ライブラリです。オリジナルの作者である Ian Back は、Web サイトから「オンザフライ」で PDF ファイルを出力し、さまざまな言語を処理するために mPDF を作成しました。 HTML2FPDF などのオリジナルのスクリプトよりも遅く、Unicode フォントを使用すると生成されるファイルが大きくなりますが、CSS スタイルなどをサポートし、多くの機能強化が施されています。 RTL (アラビア語とヘブライ語) や CJK (中国語、日本語、韓国語) を含むほぼすべての言語をサポートします。ネストされたブロックレベル要素 (P、DIV など) をサポートします。

SublimeText3 英語版
推奨: Win バージョン、コードプロンプトをサポート!

SecLists
SecLists は、セキュリティ テスターの究極の相棒です。これは、セキュリティ評価中に頻繁に使用されるさまざまな種類のリストを 1 か所にまとめたものです。 SecLists は、セキュリティ テスターが必要とする可能性のあるすべてのリストを便利に提供することで、セキュリティ テストをより効率的かつ生産的にするのに役立ちます。リストの種類には、ユーザー名、パスワード、URL、ファジング ペイロード、機密データ パターン、Web シェルなどが含まれます。テスターはこのリポジトリを新しいテスト マシンにプルするだけで、必要なあらゆる種類のリストにアクセスできるようになります。

メモ帳++7.3.1
使いやすく無料のコードエディター

ホットトピック









