在 PyTorch 中移动 MNIST

有志者，事竟成！如果你在学习文章，那么本文《在 PyTorch 中移动 MNIST》，就很适合你！文章讲解的知识点主要包括，若是你对本文感兴趣，或者是想搞懂其中某个知识点，就请你继续往下看吧~

请我喝杯咖啡☕

*我的帖子解释了移动 mnist。

movingmnist() 可以使用 moving mnist 数据集，如下所示：

*备忘录：

• 第一个参数是 root（必需类型：str 或 pathlib.path）。 *绝对或相对路径都是可能的。
• 第二个参数是 split(optional-default:none-type:str): *备注：
  • 没有，可以设置“train”或“test”。
  • 如果为 none，则返回每个视频的所有 20 帧（图像），忽略 split_ratio。
• 第三个参数是 split_ratio(optional-default:10-type:int): *备注：
  • 如果 split 为“train”，则返回 data[:, :split_ratio]。
  • 如果 split 为“test”，则返回 data[:, split_ratio:]。
  • 如果 split 为 none，则忽略它。 忽略 split_ratio。
• 第四个参数是transform(optional-default:none-type:callable)。
• 第五个参数是 download(optional-default:false-type:bool): *备注：
  • 如果为 true，则数据集将从互联网下载到 root。
  • 如果为 true 并且数据集已下载，则将其提取。
  • 如果为 true 并且数据集已下载，则不会发生任何事情。
  • 如果数据集已经下载，则应该为 false，因为它速度更快。
  • 您可以从此处手动下载并提取数据集，例如数据/移动mnist/。

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()

以上就是《在 PyTorch 中移动 MNIST》的详细内容，更多关于的资料请关注golang学习网公众号！