https://github.com/tschechlovdev/AutoEn ... NIST.ipynb
но я бы хотел использовать свой собственный набор данных. Их код использует набор данных MNIST следующим образом:
Код: Выделить всё
from torchvision.datasets import MNIST
from torch.utils.data import ConcatDataset
from torchvision import transforms
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,), (0.5,)),])
trainset = MNIST('./', download=True,train=True,transform=transform)
testset = MNIST('./', download=True,train=False,transform=transform)
dataset = ConcatDataset([trainset, testset])
dataloader = torch.utils.data.DataLoader(dataset,batch_size=256, shuffle=True,num_workers=10)
https://tjgokken.com/converting-mnist-d ... individual -files-using-python
который генерирует данные mnist_train/test в виде csv-файлов.
К сожалению, мне не удалось выяснить, как использовать эти необработанные данные в качестве замены
данных MNIST. (как загружено выше).
Моя логика заключается в том, что если необработанные данные mnist могут быть успешно загружены в сценарий autoencoder_kmeans,
я также смогу использовать свой собственный набор данных для анализ.
В случае успеха мне также нужно будет реализовать шаги преобразования, как указано выше.
Другими словами, как я могу избежать использования утилит torch, использовать необработанные данные и воспроизвести их результаты.
Заранее благодарим за любую помощь,
Дэвид
Существуют и другие сценарии автокодирования, основанные на кластеризации kmeans. Выбранное выше предоставляет
широкий выбор определений, подходящих для этой задачи. Однако мы будем очень признательны за использование другого кода.
В списке связанных вопросов создание собственного набора данных MNIST (идентичного формату MNIST) предоставляет альтернативные средства для создания необработанных данных, но морфинг
в код autoencoder_kmeans по-прежнему остается без ответа.
Подробнее здесь: https://stackoverflow.com/questions/790 ... mnist-data
