使用mnist数据搭建tensorflow神经网络 - notes

画个图花了我好久

plt.figure(figsize=(16, 8), dpi=80)
displayX = X[5:10].reshape(5,28,28)
for ind in range(len(displayX)):
    axes = plt.subplot(2,3,ind+1)
    pic = displayX[ind]
    for rowInd in range(len(pic)):
        oneRow = pic[rowInd]
        for eachPixelInd in range(len(oneRow)):
            value = oneRow[eachPixelInd]
            plt.plot(eachPixelInd,rowInd,marker=‘*‘,c=(value,value,value))
plt.show()

  

1.选择5张,用subplot自动找到5个子图

2.三次循环,一个点一个点的画

3.颜色,颜色使用rgb,一个tuple直接把值丢进去

时间: 2024-08-10 15:09:40

使用mnist数据搭建tensorflow神经网络 - notes的相关文章

tensorflow 全连接神经网络识别mnist数据

之前没有学过tensorflow,所以使用tensorflow来对mnist数据进行识别,采用最简单的全连接神经网络,第一层是784,(输入层),隐含层是256,输出层是10 ,相关注释卸载程序中. 1 #!/usr/bin/env python 3.6 2 #_*_coding:utf-8 _*_ 3 #@Time    :2020/2/12 15:34 4 #@Author  :hujinzhou  5 #@FileName: mnist.py 6 7 #@Software: PyCharm

使用tensorflow操作MNIST数据

本节开始学习使用tensorflow教程,当然从最简单的MNIST开始.这怎么说呢,就好比编程入门有Hello World,机器学习入门有MNIST.在此节,我将训练一个机器学习模型用于预测图片里面的数字. MNIST 是一个非常有名的手写体数字识别数据集,在很多资料中,这个数据集都会被用做深度学习的入门样例.而Tensorflow的封装让MNIST数据集变得更加方便.MNIST是NIST数据集的一个子集,它包含了60000张图片作为训练数据,10000张图片作为测试数据.在MNIST数据集中的

如何入门Pytorch之二:如何搭建实用神经网络

在上一节中,我们介绍了Pytorch的基本知识,如数据格式,梯度,损失等. 本节中,我们将介绍如何使用Pytorch来搭建一个实用的神经网络. 搭建一个神经网络并训练,大致有这么四个部分: 准备数据,搭建模型,评估函数,优化网络权重 1.数据准备 数据准备在上一篇中已讲过,这里就不多赘述了. 2.搭建模型 层(神经网络的基本组建单元) 针对y=wx+b,搭建简单线性模型 from torch.nn import Linearinp = Variable(torch.randn(1,10))myL

MNIST数据集上卷积神经网络的简单实现(使用PyTorch)

设计的CNN模型包括一个输入层,输入的是MNIST数据集中28*28*1的灰度图 两个卷积层, 第一层卷积层使用6个3*3的kernel进行filter,步长为1,填充1.这样得到的尺寸是(28+1*2-3)/1+1=28,即6个28*28的feature map 在后面进行池化,尺寸变为14*14 第二层卷积层使用16个5*5的kernel,步长为1,无填充,得到(14-5)/1+1=10,即16个10*10的feature map 池化后尺寸为5*5 后面加两层全连接层,第一层将16*5*5

利用OpenStreetMap(OSM)数据搭建一个地图服务

 http://www.cnblogs.com/LBSer/p/4451471.html 图 利用OSM数据简单发布的北京地图服务   一.OSM是什么 开放街道图(OpenStreetMap,简称OSM)是一个网上地图协作计划,目标是创造一个内容自由且能让所有人编辑的世界地图(wiki:http://wiki.openstreetmap.org/wiki/Main_Page).尤其值得称道的是,osm数据开源,可以自由下载使用. 二.OSM数据结构 OpenStreetMap包括空间数据以及属

大数据搭建各个子项目时配置文件技巧(适合CentOS和Ubuntu系统)(博主推荐)

不多说,直接上干货! 很多同行,也许都知道,对于我们大数据搭建而言,目前主流,分为Apache 和 Cloudera 和 Ambari. 后两者我不多说,是公司必备和大多数高校科研环境所必须的! 分别,详情见我如下的博客 Cloudera安装搭建部署大数据集群(图文分五大步详解)(博主强烈推荐) Ambari安装搭建部署大数据集群(图文分五大步详解)(博主强烈推荐) 我这里,对于初学者而言.一般是用Apahce和CDH这两个版本的hadoop.spark来练手和入门 . Xmanager Ent

python用K近邻(KNN)算法分类MNIST数据集和Fashion MNIST数据集

一.KNN算法的介绍 K最近邻(k-Nearest Neighbor,KNN)分类算法是最简单的机器学习算法之一,理论上比较成熟.KNN算法首先将待分类样本表达成和训练样本一致的特征向量:然后根据距离计算待测试样本和每个训练样本的距离,选择距离最小的K个样本作为近邻样本:最后根据K个近邻样本判断待分类样本的类别.KNN算法的正确选取是分类正确的关键因素之一,而近邻样本是通过计算测试样本与每个训练集样本的距离来选定的,故定义合适的距离是KNN正确分类的前提. 本文中在上述研究的基础上,将特征属性值

人工智能教程 - 1.2.1 如何将数据输入到神经网络中

通过对前面文章的学习,我们已经知道神经网络可以实现真正的人工智能.本小节我会进行详细地讲解,让大家彻底地弄懂神经网络.在仅仅只学完一篇文章后,你肯定依然感觉朦胧,这是正常的,因为不可能用一篇文章就把神经网络给讲清楚了.当你学完本小节所有文章后,你就会感觉豁然开朗了. 我们需要弄懂的第一步就是如何将数据输入到神经网络中.例如,在语音识别.人脸识别这些应用中,是如何将语音.人脸输入到神经网络中的? 下面我继续拿识别猫的例子来给大家介绍如何将猫的图片数据输入到神经网络中. 此例中,待输入的数据是一张图

EOFError: Compressed file ended before the end-of-stream marker was reached解决办法(在Windows下查看已下载的MNIST数据文件)

出现这个问题的原因是因为文件下载到一半就中断了,解决办法是删除datasets中下载到一半的数据包. 下面以我遇到的问题为例: 我下载数据下载到最后一个包就没有反应了,于是我强制终止了运行,可能是因为网络问题,到后面我再运行发现疯狂报错... 搜了很多博客,有的说删掉tmp文件夹下的文件,有的说删除掉dataset下的文件,但是后来我发现每个人的问题不一样,下载文件的目录可能也不同. 在Windows下查看已下载的MNIST数据文件 上图中画圈的位置有个Keras,我的datasets就是在Ke