MovingMNIST in PyTorch
Kauf mir einen Kaffee☕
*Mein Beitrag erklärt das Verschieben von MNIST.
MovingMNIST() kann den Moving MNIST-Datensatz wie unten gezeigt verwenden:
*Memos:
- Das 1. Argument ist root(Required-Type:str oder pathlib.Path). *Ein absoluter oder relativer Pfad ist möglich.
- Das 2. Argument ist geteilt (Optional-Default:None-Type:str):
*Memos:
- Keine, es kann „Trainieren“ oder „Testen“ eingestellt werden.
- Wenn es „None“ ist, werden alle 20 Frames (Bilder) jedes Videos zurückgegeben, wobei „split_ratio“ ignoriert wird.
- Das dritte Argument ist split_ratio(Optional-Default:10-Type:int):
*Memos:
- Wenn split „train“ ist, werden data[:, :split_ratio] zurückgegeben.
- Wenn split „test“ ist, werden data[:, split_ratio:] zurückgegeben.
- Wenn die Aufteilung „Keine“ ist, wird sie ignoriert. ignoriere split_ratio.
- Das 4. Argument ist transform(Optional-Default:None-Type:callable).
- Das 5. Argument ist download(Optional-Default:False-Type:bool):
*Memos:
- Wenn es „Wahr“ ist, wird der Datensatz aus dem Internet in das Root-Konto heruntergeladen.
- Wenn es „True“ ist und der Datensatz bereits heruntergeladen wurde, wird er extrahiert.
- Wenn es „True“ ist und der Datensatz bereits heruntergeladen wurde, passiert nichts.
- Es sollte False sein, wenn der Datensatz bereits heruntergeladen wurde, da es schneller ist.
- Sie können den Datensatz hier manuell herunterladen und extrahieren, um ihn z. data/MovingMNIST/.
from torchvision.datasets import MovingMNIST all_data = MovingMNIST( root="data" ) all_data = MovingMNIST( root="data", split=None, split_ratio=10, download=False, transform=None ) train_data = MovingMNIST( root="data", split="train" ) test_data = MovingMNIST( root="data", split="test" ) len(all_data), len(train_data), len(test_data) # (10000, 10000, 10000) len(all_data[0]), len(train_data[0]), len(test_data[0]) # (20, 10, 10) all_data # Dataset MovingMNIST # Number of datapoints: 10000 # Root location: data all_data.root # 'data' print(all_data.split) # None all_data.split_ratio # 10 all_data.download # <bound method MovingMNIST.download of Dataset MovingMNIST # Number of datapoints: 10000 # Root location: data> print(all_data.transform) # None from torchvision.datasets import MovingMNIST import matplotlib.pyplot as plt plt.figure(figsize=(10, 3)) plt.subplot(1, 3, 1) plt.title("all_data") plt.imshow(all_data[0].squeeze()[0]) plt.subplot(1, 3, 2) plt.title("train_data") plt.imshow(train_data[0].squeeze()[0]) plt.subplot(1, 3, 3) plt.title("test_data") plt.imshow(test_data[0].squeeze()[0]) plt.show()
from torchvision.datasets import MovingMNIST all_data = MovingMNIST( root="data", split=None ) train_data = MovingMNIST( root="data", split="train" ) test_data = MovingMNIST( root="data", split="test" ) def show_images(data, main_title=None): plt.figure(figsize=(10, 8)) plt.suptitle(t=main_title, y=1.0, fontsize=14) for i, image in enumerate(data, start=1): plt.subplot(4, 5, i) plt.tight_layout(pad=1.0) plt.title(i) plt.imshow(image) plt.show() show_images(data=all_data[0].squeeze(), main_title="all_data") show_images(data=train_data[0].squeeze(), main_title="train_data") show_images(data=test_data[0].squeeze(), main_title="test_data")
from torchvision.datasets import MovingMNIST all_data = MovingMNIST( root="data", split=None ) train_data = MovingMNIST( root="data", split="train" ) test_data = MovingMNIST( root="data", split="test" ) import matplotlib.pyplot as plt def show_images(data, main_title=None): plt.figure(figsize=(10, 8)) plt.suptitle(t=main_title, y=1.0, fontsize=14) col = 5 for i, image in enumerate(data, start=1): plt.subplot(4, 5, i) plt.tight_layout(pad=1.0) plt.title(i) plt.imshow(image.squeeze()[0]) if i == col: break plt.show() show_images(data=all_data, main_title="all_data") show_images(data=train_data, main_title="train_data") show_images(data=test_data, main_title="test_data")
from torchvision.datasets import MovingMNIST import matplotlib.animation as animation all_data = MovingMNIST( root="data" ) import matplotlib.pyplot as plt from IPython.display import HTML figure, axis = plt.subplots() # ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ `ArtistAnimation()` ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ images = [] for image in all_data[0].squeeze(): images.append([axis.imshow(image)]) ani = animation.ArtistAnimation(fig=figure, artists=images, interval=100) # ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ `ArtistAnimation()` ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ # ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ `FuncAnimation()` ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ # def animate(i): # axis.imshow(all_data[0].squeeze()[i]) # # ani = animation.FuncAnimation(fig=figure, func=animate, # frames=20, interval=100) # ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ `FuncAnimation()` ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ # ani.save('result.gif') # Save the animation as a `.gif` file plt.ioff() # Hide a useless image # ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ Show animation ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ HTML(ani.to_jshtml()) # Animation operator # HTML(ani.to_html5_video()) # Animation video # ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ Show animation ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ # ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ Show animation ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ # plt.rcParams["animation.html"] = "jshtml" # Animation operator # plt.rcParams["animation.html"] = "html5" # Animation video # ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ Show animation ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑
from torchvision.datasets import MovingMNIST from ipywidgets import interact, IntSlider all_data = MovingMNIST( root="data" ) import matplotlib.pyplot as plt from IPython.display import HTML def func(i): plt.imshow(all_data[0].squeeze()[i]) interact(func, i=(0, 19, 1)) # interact(func, i=IntSlider(min=0, max=19, step=1, value=0)) # ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ Set the start value ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ plt.show()
Das obige ist der detaillierte Inhalt vonMovingMNIST in PyTorch. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen











Python ist leichter zu lernen und zu verwenden, während C leistungsfähiger, aber komplexer ist. 1. Python -Syntax ist prägnant und für Anfänger geeignet. Durch die dynamische Tippen und die automatische Speicherverwaltung können Sie die Verwendung einfach zu verwenden, kann jedoch zur Laufzeitfehler führen. 2.C bietet Steuerung und erweiterte Funktionen auf niedrigem Niveau, geeignet für Hochleistungsanwendungen, hat jedoch einen hohen Lernschwellenwert und erfordert manuellem Speicher und Typensicherheitsmanagement.

Um die Effizienz des Lernens von Python in einer begrenzten Zeit zu maximieren, können Sie Pythons DateTime-, Zeit- und Zeitplanmodule verwenden. 1. Das DateTime -Modul wird verwendet, um die Lernzeit aufzuzeichnen und zu planen. 2. Das Zeitmodul hilft, die Studie zu setzen und Zeit zu ruhen. 3. Das Zeitplanmodul arrangiert automatisch wöchentliche Lernaufgaben.

Python ist in der Entwicklungseffizienz besser als C, aber C ist in der Ausführungsleistung höher. 1. Pythons prägnante Syntax und reiche Bibliotheken verbessern die Entwicklungseffizienz. 2. Die Kompilierungsmerkmale von Compilation und die Hardwarekontrolle verbessern die Ausführungsleistung. Bei einer Auswahl müssen Sie die Entwicklungsgeschwindigkeit und die Ausführungseffizienz basierend auf den Projektanforderungen abwägen.

Ist es genug, um Python für zwei Stunden am Tag zu lernen? Es hängt von Ihren Zielen und Lernmethoden ab. 1) Entwickeln Sie einen klaren Lernplan, 2) Wählen Sie geeignete Lernressourcen und -methoden aus, 3) praktizieren und prüfen und konsolidieren Sie praktische Praxis und Überprüfung und konsolidieren Sie und Sie können die Grundkenntnisse und die erweiterten Funktionen von Python während dieser Zeit nach und nach beherrschen.

PythonlistsarePartThestandardlibrary, whilearraysarenot.listarebuilt-in, vielseitig und UNDUSEDFORSPORINGECollections, während dieArrayRay-thearrayModulei und loses und loses und losesaluseduetolimitedFunctionality.

Python und C haben jeweils ihre eigenen Vorteile, und die Wahl sollte auf Projektanforderungen beruhen. 1) Python ist aufgrund seiner prägnanten Syntax und der dynamischen Typisierung für die schnelle Entwicklung und Datenverarbeitung geeignet. 2) C ist aufgrund seiner statischen Tipp- und manuellen Speicherverwaltung für hohe Leistung und Systemprogrammierung geeignet.

Python zeichnet sich in Automatisierung, Skript und Aufgabenverwaltung aus. 1) Automatisierung: Die Sicherungssicherung wird durch Standardbibliotheken wie OS und Shutil realisiert. 2) Skriptschreiben: Verwenden Sie die PSUTIL -Bibliothek, um die Systemressourcen zu überwachen. 3) Aufgabenverwaltung: Verwenden Sie die Zeitplanbibliothek, um Aufgaben zu planen. Die Benutzerfreundlichkeit von Python und die Unterstützung der reichhaltigen Bibliothek machen es zum bevorzugten Werkzeug in diesen Bereichen.

Zu den wichtigsten Anwendungen von Python in der Webentwicklung gehören die Verwendung von Django- und Flask -Frameworks, API -Entwicklung, Datenanalyse und Visualisierung, maschinelles Lernen und KI sowie Leistungsoptimierung. 1. Django und Flask Framework: Django eignet sich für die schnelle Entwicklung komplexer Anwendungen, und Flask eignet sich für kleine oder hochmobile Projekte. 2. API -Entwicklung: Verwenden Sie Flask oder Djangorestframework, um RESTFUFFUPI zu erstellen. 3. Datenanalyse und Visualisierung: Verwenden Sie Python, um Daten zu verarbeiten und über die Webschnittstelle anzuzeigen. 4. Maschinelles Lernen und KI: Python wird verwendet, um intelligente Webanwendungen zu erstellen. 5. Leistungsoptimierung: optimiert durch asynchrones Programmieren, Caching und Code
