Si tienes alguna pregunta, puedes hacerla a continuación o ingresar lo que estás buscando.
Estoy siguiendo un tutorial aquí https://www.youtube.com/watch?v=IQpP_cH8rrA Seguí todos los pasos iniciales (excepto que estoy en VS en lugar de Colab), pero me detengo bastante pronto porque cuando ejecuto: torchvision.datasets.MNIST(‘./’, download=True) Solo obtengo la carpeta “raw”, no la carpeta “processed” (que debería contener training.pt y test.pt). ¿Alguien puede ayudar? Estoy usando . . . Read more
Estoy construyendo actualmente un auto-codificador para el conjunto de datos MNIST con Keras, aquí está mi código: importar todas las dependencias from keras.layers import Dense,Conv2D,MaxPooling2D,UpSampling2D from keras import Input, Model from keras.datasets import mnist import numpy as np import matplotlib.pyplot as plt encoding_dim = 15 input_img = Input(shape=(784,)) # representación . . . Read more
Tengo un problema para obtener el gradiente de salida de la entrada. Es un modelo simple de MNIST. para num, (sample_img, sample_label) en enumerate(mnist_test): si num == 1: break sample_img = sample_img.to(device) sample_img.requires_grad = True prediccion = modelo(sample_img.unsqueeze(dim=0)) costo = criterio(prediccion, torch.tensor([sample_label]).to(device)) optimizador.zero_grad() costo.backward() print(sample_label) print(sample_img.shape) plt.imshow(sample_img.detach().cpu().squeeze(), cmap=’gray’) plt.show() print(sample_img.grad) . . . Read more
Quiero importar las imágenes de dígitos mnist para mostrarlas en una figura, y el código sería así: import keras from keras.datasets import mnist import matplotlib.pyplot as plt (X_train, y_train), (X_test, y_test) = mnist.load_data() fig = plt.figure(figsize=(8,8)) n = 0 for i in range(5): for j in range(5): plt.subplot(5, 5, i*5 . . . Read more
Mi código funciona bien para el número de época 1, pero cuando cambia la época deja de funcionar debido a la diferencia en la estructura. ¿Podrías ayudarme a resolver este problema? Aprecio mucho tu tiempo. transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]) trainTransform = torchvision.transforms.Compose([torchvision.transforms.ToTensor(), torchvision.transforms.Normalize((0.1307,), (0.3081,))]) trainset = torchvision.datasets.FashionMNIST(root='{}./data’.format(path_prefix), train = . . . Read more