【Python机器学习】实验14 手写体卷积神经网络（PyTorch实现）
文章目录
- LeNet-5网络结构
-
- （1）卷积层C1
- （2）池化层S1
- （3）卷积层C2
- （4）池化层S2
- （5）卷积层C3
- （6）线性层F1
- （7）线性层F2
- 1. 数据的下载
- 2. 定义模型
- 3. 新建模型
- 4. 从数据集中分批量读取数据
- 5. 定义损失函数
- 6. 定义优化器
- 7. 开始训练
- 8. 测试和保存模型
- 9. 手写体图片的可视化
- 10. 多幅图片的可视化
- 思考题
-
- 11. 读取测试集的图片预测值（神经网络的输出为10）
- 12. 采用pandas可视化数据
- 13. 对预测错误的样本点进行可视化
- 14. 看看错误样本被预测为哪些数据
LeNet-5网络结构
LeNet-5是卷积神经网络模型的早期代表，它由LeCun在1998年提出。该模型采用顺序结构，主要包括7层（2个卷积层、2个池化层和3个全连接层），卷积层和池化层交替排列。以mnist手写数字分类为例构建一个LeNet-5模型。每个手写数字图片样本的宽与高均为28像素，样本标签值是0~9，代表0至9十个数字。
图1. LeNet-5模型
下面详细解析LeNet-5模型的正向传播过程。
（1）卷积层C1
C1层的输入数据形状大小为 R 1 × 28 × 28 \mathbb{R}^{1 \times 28 \times 28} R1×28×28，表示通道数量为1，行与列的大小都为28。输出数据形状大小为 R 6 × 24 × 24 \mathbb{R}^{6 \times 24 \times 24} R6×24×24，表示通道数量为6，行与列维都为24。
卷积核。L1层的卷积核形状大小 R 6 × 1 × 5 × 5 \mathbb{R}^{6 \times 1 \times 5 \times 5} R6×1×5×5为，偏置项形状大小为6。
这里有两个问题很关键：一是，为什么通道数从1变成了6呢？原因是模型的卷积层L1设定了6个卷积核，每个卷积核都与输入数据发生运算，最终分别得到6组数据。二是，为什么行列大小从28变成了24呢？原因是每个卷积核的行维与列维都为5，卷积核（5×5）在输入数据（28×28）上移动，且每次移动步长为1，那么输出数据的行列大小分别为28-5+1=24。
（2）池化层S1
L2层的输入数据大小要和L1层的输出数据大小保持一致。输入数据形状大小为 R 6 × 24 × 24 \mathbb{R}^{6 \times 24 \times 24} R6×24×24，表示通道数量为6，行与列的大小都为24。L2层的输出数据形状大小为 R 6 × 12 × 12 \mathbb{R}^{6 \times 12 \times 12} R6×12×12，表示通道数量为6，行与列维都为12。
为什么行列大小从24变成了12呢？原因是池化层中的过滤器形状大小为2×2，其在输入数据（24×24）上移动，且每次移动步长（跨距）为2，每次选择4个数（2×2）中最大值作为输出，那么输出数据的行列大小分别为24÷2=12。
（3）卷积层C2
L3层的输入数据形状大小为 R 6 × 12 × 12 \mathbb{R}^{6 \times 12 \times 12} R6×12×12，表示通道数量为6，行与列的大小都为12。L3层的输出数据形状大小为 R 16 × 8 × 8 \mathbb{R}^{16 \times 8 \times 8} R16×8×8，表示通道数量为16，行与列维都为8。
卷积核。L3层的卷积核形状大小为 R m × 16 × 6 × 5 × 5 \mathbb{R}^{m \times 16 \times 6 \times 5 \times 5} Rm×16×6×5×5，偏置项形状大小为16。
（4）池化层S2
L4层的输入数据形状大小与L3层的输出数据大小一致。L4层的输入数据形状大小为 R 16 × 8 × 8 \mathbb{R}^{16 \times 8 \times 8} R16×8×8，表示通道数量为16，行与列的大小都为8。L4层的输出数据形状大小为 R 16 × 4 × 4 \mathbb{R}^{16 \times 4 \times 4} R16×4×4，表示通道数量为16，行与列维都为4。
（5）卷积层C3
由于L5层是线性层，其输入大小为一维，所以需要把L4层的输出数据大小进行重新划分。L4层的输出形状大小为 R 16 × 4 × 4 \mathbb{R}^{16 \times 4 \times 4} R16×4×4，则L5层的一维输入形状大小为16×4×4=256。L4层的一维输出大小为120。
（6）线性层F1
L6层的输入特征数量为120。L6层的输出特征数量为84。
（7）线性层F2
L7层的输入特征数量为84。L7层的输出特征数量为10。
由于是分类问题，我们选择交叉熵损失函数。交叉熵主要用于衡量估计值与真实值之间的差距。交叉熵值越小，模型预测效果越好。
E ( y i , y ^ i ) = − ∑ j = 1 q y j i l n ( y ^ j i ) E(\mathbf{y}^{i},\mathbf{\hat{y}}^{i})=-\sum_{j=1}^{q}\mathbf{y}_{j}^{i}ln(\mathbf{\hat{y}}_{j}^{i}) E(yi,y^i)=−j=1∑qyjiln(y^ji)
其中， y i ∈ R q \mathbf{y}^{i} \in \mathbb{R}^{q} yi∈Rq为真实值， y j i y_{j}^{i} yji是 y i \mathbf{y}^{i} yi中的元素(取值为0或1)， j = 1 , . . . , q j=1,...,q j=1,...,q。 y ^ i ∈ R q \mathbf{\hat{y}^{i}} \in \mathbb{R}^{q} y^i∈Rq是预测值（样本在每个类别上的概率）。
定义好了正向传播过程之后，接着随机化初始参数，然后便可以计算出每层的结果，每次将得到m×10的矩阵作为预测结果，其中m是小批量样本数。接下来进行反向传播过程，预测结果与真实结果之间肯定存在差异，以缩减该差异作为目标，计算模型参数梯度。进行多轮迭代，便可以优化模型，使得预测结果与真实结果之间更加接近。
1. 数据的下载
from torchvision.datasets import MNIST
import torch
import torchvision.transforms as transforms
train_dataset=MNIST(root="./data/",train=True,transform=transforms.ToTensor(),download=True)
test_dataset=MNIST(root="./data/",train=False,transform=transforms.ToTensor())
len(train_dataset),len(test_dataset)
(60000, 10000)
train_dataset[0][0].shape
torch.Size([1, 28, 28])
train_dataset[0][0].shape
torch.Size([1, 28, 28])
train_dataset[0][1]
5
2. 定义模型
from torch import nn
nn.Conv2d?
class Lenet5(nn.Module):
def __init__(self):
super(Lenet5,self).__init__()
#1+ 28-5/(1)==24
self.features=nn.Sequential(
#定义第一个卷积层
nn.Conv2d(in_channels=1,out_channels=6,kernel_size=(5,5),stride=1),
nn.ReLU(),
nn.AvgPool2d(kernel_size=2,stride=2),
#6*12*12
#定义第二个卷积层
nn.Conv2d(in_channels=6,out_channels=16,kernel_size=(5,5),stride=1),
#1+12-5/(1)=16*8*8
nn.ReLU(),
nn.MaxPool2d(kernel_size=2,stride=2),
#1+(8-2)/(2)=4
#16*4*4
)
#定义全连接层
self.classfier=nn.Sequential(nn.Linear(in_features=256,out_features=120),
nn.ReLU(),
nn.Linear(in_features=120,out_features=84),
nn.ReLU(),
nn.Linear(in_features=84,out_features=10),
)
def forward(self,x):
x=self.features(x)
x=torch.flatten(x,1)
result=self.classfier(x)
return result
3. 新建模型
model=Lenet5()
device=torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model=model.to(device)
4. 从数据集中分批量读取数据
from torch.utils.data import DataLoader
DataLoader?
from torch.utils.data import DataLoader
batch_size=32
train_loader=DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True)
test_loader=DataLoader(dataset=test_dataset,batch_size=batch_size,shuffle=False)
5. 定义损失函数
from torch import optim
loss_fun=nn.CrossEntropyLoss()
loss_lst=[]
6. 定义优化器
optimizer=optim.SGD(params=model.parameters(),lr=0.001,momentum=0.9)
7. 开始训练
import time
start_time=time.time()
#训练的迭代次数
for i in range(10):
loss_i=0
for j,(batch_data,batch_label) in enumerate(train_loader):
#清空优化器的梯度
optimizer.zero_grad()
#模型前向预测
pred=model(batch_data)
loss=loss_fun(pred,batch_label)
loss_i+=loss
loss.backward()
optimizer.step()
if (j+1)%200==0:
print("第%d次训练，第%d批次，损失为%.2f"%(i,j,loss_i/200))
loss_i=0
end_time=time.time()
print("共训练了%d 秒"%(end_time-start_time))
第0次训练，第199批次，损失为2.30
第0次训练，第399批次，损失为2.29
第0次训练，第599批次，损失为2.28
第0次训练，第799批次，损失为2.23
第0次训练，第999批次，损失为1.86
第0次训练，第1199批次，损失为0.81
第0次训练，第1399批次，损失为0.55
第0次训练，第1599批次，损失为0.46
第0次训练，第1799批次，损失为0.40
第1次训练，第199批次，损失为0.33
第1次训练，第399批次，损失为0.29
第1次训练，第599批次，损失为0.27
第1次训练，第799批次，损失为0.28
第1次训练，第999批次，损失为0.25
第1次训练，第1199批次，损失为0.22
第1次训练，第1399批次，损失为0.23
第1次训练，第1599批次，损失为0.22
第1次训练，第1799批次，损失为0.19
第2次训练，第199批次，损失为0.17
第2次训练，第399批次，损失为0.17
第2次训练，第599批次，损失为0.16
第2次训练，第799批次，损失为0.17
第2次训练，第999批次，损失为0.15
第2次训练，第1199批次，损失为0.15
第2次训练，第1399批次，损失为0.14
第2次训练，第1599批次，损失为0.14
第2次训练，第1799批次，损失为0.13
第3次训练，第199批次，损失为0.12
第3次训练，第399批次，损失为0.13
第3次训练，第599批次，损失为0.12
第3次训练，第799批次，损失为0.12
第3次训练，第999批次，损失为0.13
第3次训练，第1199批次，损失为0.12
第3次训练，第1399批次，损失为0.10
第3次训练，第1599批次，损失为0.11
第3次训练，第1799批次，损失为0.10
第4次训练，第199批次，损失为0.11
第4次训练，第399批次，损失为0.10
第4次训练，第599批次，损失为0.10
第4次训练，第799批次，损失为0.08
第4次训练，第999批次，损失为0.09
第4次训练，第1199批次，损失为0.09
第4次训练，第1399批次，损失为0.10
第4次训练，第1599批次，损失为0.08
第4次训练，第1799批次，损失为0.08
第5次训练，第199批次，损失为0.09
第5次训练，第399批次，损失为0.07
第5次训练，第599批次，损失为0.09
第5次训练，第799批次，损失为0.08
第5次训练，第999批次，损失为0.08
第5次训练，第1199批次，损失为0.08
第5次训练，第1399批次，损失为0.08
第5次训练，第1599批次，损失为0.07
第5次训练，第1799批次，损失为0.08
第6次训练，第199批次，损失为0.08
第6次训练，第399批次，损失为0.07
第6次训练，第599批次，损失为0.07
第6次训练，第799批次，损失为0.07
第6次训练，第999批次，损失为0.08
第6次训练，第1199批次，损失为0.07
第6次训练，第1399批次，损失为0.07
第6次训练，第1599批次，损失为0.07
第6次训练，第1799批次，损失为0.08
第7次训练，第199批次，损失为0.07
第7次训练，第399批次，损失为0.07
第7次训练，第599批次，损失为0.07
第7次训练，第799批次，损失为0.06
第7次训练，第999批次，损失为0.07
第7次训练，第1199批次，损失为0.06
第7次训练，第1399批次，损失为0.06
第7次训练，第1599批次，损失为0.07
第7次训练，第1799批次，损失为0.06
第8次训练，第199批次，损失为0.05
第8次训练，第399批次，损失为0.05
第8次训练，第599批次，损失为0.06
第8次训练，第799批次，损失为0.06
第8次训练，第999批次，损失为0.07
第8次训练，第1199批次，损失为0.06
第8次训练，第1399批次，损失为0.07
第8次训练，第1599批次，损失为0.06
第8次训练，第1799批次，损失为0.05
第9次训练，第199批次，损失为0.05
第9次训练，第399批次，损失为0.05
第9次训练，第599批次，损失为0.05
第9次训练，第799批次，损失为0.05
第9次训练，第999批次，损失为0.05
第9次训练，第1199批次，损失为0.06
第9次训练，第1399批次，损失为0.05
第9次训练，第1599批次，损失为0.05
第9次训练，第1799批次，损失为0.05
共训练了148 秒
8. 测试和保存模型
len(test_dataset)
10000
correct=0
for batch_data,batch_label in test_loader:
pred_test=model(batch_data)
pred_result=torch.max(pred_test.data,1)[1]
correct+=(pred_result==batch_label).sum()
print("准确率为:%.2f%%"%(correct/len(test_dataset)))
准确率为:0.98%
#保存模型
torch.save(model, './model-cifar10.pth')
9. 手写体图片的可视化
from torchvision import transforms as T
import torch
import numpy as np
from PIL import Image
normalize = T.Normalize(mean=[127.5, 127.5, 127.5], std=[127.5, 127.5, 127.5])
arr1=np.random.rand(300, 320, 3) * 255
fake_img = T.ToPILImage()(arr1.astype("uint8"))
fake_img.show()
fake_img = normalize(T.ToTensor()(arr1))
print(fake_img.shape)
print(fake_img)
torch.Size([3, 300, 320])
tensor([[[-0.9172, -0.8087, 0.5650, ..., 0.5297, 0.8186, 0.3312],
[-0.3795, -0.7144, 0.7482, ..., 0.7777, 0.0563, 0.9862],
[ 0.4713, 0.1514, 0.1433, ..., 0.1218, 0.5960, 0.0122],
...,
[ 0.7886, -0.8431, 0.2048, ..., 0.0880, 0.8566, -0.7309],
[-0.5249, -0.2610, 0.6604, ..., -0.5265, -0.8607, 0.8407],
[-0.0764, -0.6659, -0.7282, ..., 0.6114, -0.8531, 0.8591]],
[[-0.7804, -0.9011, 0.7292, ..., -0.7269, 0.4730, -0.4985],
[ 0.5025, -0.9715, -0.5368, ..., -0.3784, 0.2336, -0.7914],
[-0.3683, 0.5105, 0.4923, ..., 0.4562, 0.1588, 0.0781],
...,
[-0.7712, 0.4029, 0.5997, ..., 0.6086, -0.6148, 0.8007],
[ 0.9939, 0.0161, -0.9449, ..., -0.6050, -0.3625, 0.0129],
[-0.2682, -0.1006, -0.7786, ..., 0.0569, 0.0279, -0.3509]],
[[-0.9476, 0.3883, 0.4793, ..., -0.2685, 0.9854, 0.9068],
[ 0.4380, 0.1821, -0.1389, ..., -0.8316, 0.5408, -0.2924],
[-0.3324, -0.8534, -0.9868, ..., -0.8449, -0.3564, -0.9859],
...,
[ 0.9973, 0.4672, -0.4873, ..., -0.5094, -0.6851, 0.2794],
[ 0.9954, 0.8549, 0.1814, ..., -0.7077, -0.7606, 0.4524],
[ 0.6209, 0.5317, -0.1966, ..., -0.8245, -0.8593, -0.1789]]],
dtype=torch.float64)
len(train_dataset)
60000
train_dataset[0][0].shape
torch.Size([1, 28, 28])
import matplotlib.pyplot as plt
plt.imshow(train_dataset[3][0][0],cmap="gray")
10. 多幅图片的可视化
from matplotlib import pyplot as plt
plt.figure(figsize=(20,15))
cols=10
rows=10
for i in range(0,rows):
for j in range(0,cols):
idx=j+i*cols
plt.subplot(rows,cols,idx+1)
plt.imshow(train_dataset[idx][0][0])
plt.axis('off')
import numpy as np
img10 = np.stack(list(train_dataset[i][0][0] for i in range(10)), axis=1).reshape(28,280)
plt.imshow(img10)
plt.axis('off')
(-0.5, 279.5, 27.5, -0.5)
img100 = np.stack(
tuple(np.stack
(tuple(train_dataset[j*10+i][0][0] for i in range(10)), axis=1).reshape(28,280) for j in range(10)),axis=0).reshape(280,280)
plt.imshow(img100)
plt.axis('off')
(-0.5, 279.5, 279.5, -0.5)
思考题
- 测试集中有哪些识别错误的手写数字图片？ 汇集整理并分析原因？
11. 读取测试集的图片预测值（神经网络的输出为10）
#导入模型
model1=torch.load('./model-cifar10.pth')
pre_result=torch.zeros(len(test_dataset),10)
for i in range(len(test_dataset)):
pre_result[i,:]=model1(torch.reshape(test_dataset[i][0],(-1,1,28,28)))
pre_result
tensor([[-1.8005, -0.1725, 1.4765, ..., 13.5399, -0.6261, 3.8320],
[ 4.3233, 7.6017, 16.5872, ..., -0.0560, 5.2066, -7.0792],
[-2.1821, 9.3779, 0.7749, ..., 1.8749, 1.6951, -2.9422],
...,
[-5.5755, -2.2075, -9.2250, ..., -0.2451, 3.3703, 1.2951],
[ 0.5491, -7.7018, -5.8288, ..., -7.6734, 9.3946, -1.9603],
[ 3.5516, -8.2659, -0.5965, ..., -8.5934, 1.0133, -2.2048]],
grad_fn=)
pre_result.shape
torch.Size([10000, 10])
pre_result[:5]
tensor([[-1.8005e+00, -1.7254e-01, 1.4765e+00, 3.0824e+00, -2.5454e+00,
-7.6911e-01, -1.2368e+01, 1.3540e+01, -6.2614e-01, 3.8320e+00],
[ 4.3233e+00, 7.6017e+00, 1.6587e+01, 3.6477e+00, -6.6674e+00,
-6.0579e+00, -1.5660e+00, -5.5983e-02, 5.2066e+00, -7.0792e+00],
[-2.1821e+00, 9.3779e+00, 7.7487e-01, -3.0049e+00, 1.3374e+00,
-1.6613e+00, 8.8544e-01, 1.8749e+00, 1.6951e+00, -2.9422e+00],
[ 1.3456e+01, -9.9020e+00, 2.8586e+00, -2.2105e+00, -1.8515e+00,
1.7651e-03, 4.7584e+00, -1.3772e+00, -2.2127e+00, 1.5543e+00],
[-2.9573e+00, -2.5707e+00, -3.5142e+00, -1.7487e+00, 1.2020e+01,
-8.8355e-01, -1.0698e+00, 6.3823e-01, -3.5542e-01, 3.6258e+00]],
grad_fn=)
#显示这10000张图片的标签
label_10000=[test_dataset[i][1] for i in range(10000)]
label_10000
[7,
2,
1,
0,
4,
1,
4,
9,
5,
9,
0,
6,
9,
0,
1,
5,
9,
7,
3,
4,
9,
6,
6,
5,
4,
0,
7,
4,
0,
1,
3,
1,
3,
4,
7,
2,
7,
1,
2,
1,
1,
7,
4,
2,
3,
5,
1,
2,
4,
4,
6,
3,
5,
5,
6,
0,
4,
1,
9,
5,
7,
8,
9,
3,
7,
4,
6,
4,
3,
0,
7,
0,
2,
9,
1,
7,
3,
2,
9,
7,
7,
6,
2,
7,
8,
4,
7,
3,
6,
1,
3,
6,
9,
3,
1,
4,
1,
7,
6,
9,
6,
0,
5,
4,
9,
9,
2,
1,
9,
4,
8,
7,
3,
9,
7,
4,
4,
4,
9,
2,
5,
4,
7,
6,
7,
9,
0,
5,
8,
5,
6,
6,
5,
7,
8,
1,
0,
1,
6,
4,
6,
7,
3,
1,
7,
1,
8,
2,
0,
2,
9,
9,
5,
5,
1,
5,
6,
0,
3,
4,
4,
6,
5,
4,
6,
5,
4,
5,
1,
4,
4,
7,
2,
3,
2,
7,
1,
8,
1,
8,
1,
8,
5,
0,
8,
9,
2,
5,
0,
1,
1,
1,
0,
9,
0,
3,
1,
6,
4,
2,
3,
6,
1,
1,
1,
3,
9,
5,
2,
9,
4,
5,
9,
3,
9,
0,
3,
6,
5,
5,
7,
2,
2,
7,
1,
2,
8,
4,
1,
7,
3,
3,
8,
8,
7,
9,
2,
2,
4,
1,
5,
9,
8,
7,
2,
3,
0,
4,
4,
2,
4,
1,
9,
5,
7,
7,
2,
8,
2,
6,
8,
5,
7,
7,
9,
1,
8,
1,
8,
0,
3,
0,
1,
9,
9,
4,
1,
8,
2,
1,
2,
9,
7,
5,
9,
2,
6,
4,
1,
5,
8,
2,
9,
2,
0,
4,
0,
0,
2,
8,
4,
7,
1,
2,
4,
0,
2,
7,
4,
3,
3,
0,
0,
3,
1,
9,
6,
5,
2,
5,
9,
2,
9,
3,
0,
4,
2,
0,
7,
1,
1,
2,
1,
5,
3,
3,
9,
7,
8,
6,
5,
6,
1,
3,
8,
1,
0,
5,
1,
3,
1,
5,
5,
6,
1,
8,
5,
1,
7,
9,
4,
6,
2,
2,
5,
0,
6,
5,
6,
3,
7,
2,
0,
8,
8,
5,
4,
1,
1,
4,
0,
3,
3,
7,
6,
1,
6,
2,
1,
9,
2,
8,
6,
1,
9,
5,
2,
5,
4,
4,
2,
8,
3,
8,
2,
4,
5,
0,
3,
1,
7,
7,
5,
7,
9,
7,
1,
9,
2,
1,
4,
2,
9,
2,
0,
4,
9,
1,
4,
8,
1,
8,
4,
5,
9,
8,
8,
3,
7,
6,
0,
0,
3,
0,
2,
6,
6,
4,
9,
3,
3,
3,
2,
3,
9,
1,
2,
6,
8,
0,
5,
6,
6,
6,
3,
8,
8,
2,
7,
5,
8,
9,
6,
1,
8,
4,
1,
2,
5,
9,
1,
9,
7,
5,
4,
0,
8,
9,
9,
1,
0,
5,
2,
3,
7,
8,
9,
4,
0,
6,
3,
9,
5,
2,
1,
3,
1,
3,
6,
5,
7,
4,
2,
2,
6,
3,
2,
6,
5,
4,
8,
9,
7,
1,
3,
0,
3,
8,
3,
1,
9,
3,
4,
4,
6,
4,
2,
1,
8,
2,
5,
4,
8,
8,
4,
0,
0,
2,
3,
2,
7,
7,
0,
8,
7,
4,
4,
7,
9,
6,
9,
0,
9,
8,
0,
4,
6,
0,
6,
3,
5,
4,
8,
3,
3,
9,
3,
3,
3,
7,
8,
0,
8,
2,
1,
7,
0,
6,
5,
4,
3,
8,
0,
9,
6,
3,
8,
0,
9,
9,
6,
8,
6,
8,
5,
7,
8,
6,
0,
2,
4,
0,
2,
2,
3,
1,
9,
7,
5,
1,
0,
8,
4,
6,
2,
6,
7,
9,
3,
2,
9,
8,
2,
2,
9,
2,
7,
3,
5,
9,
1,
8,
0,
2,
0,
5,
2,
1,
3,
7,
6,
7,
1,
2,
5,
8,
0,
3,
7,
2,
4,
0,
9,
1,
8,
6,
7,
7,
4,
3,
4,
9,
1,
9,
5,
1,
7,
3,
9,
7,
6,
9,
1,
3,
7,
8,
3,
3,
6,
7,
2,
8,
5,
8,
5,
1,
1,
4,
4,
3,
1,
0,
7,
7,
0,
7,
9,
4,
4,
8,
5,
5,
4,
0,
8,
2,
1,
0,
8,
4,
5,
0,
4,
0,
6,
1,
7,
3,
2,
6,
7,
2,
6,
9,
3,
1,
4,
6,
2,
5,
4,
2,
0,
6,
2,
1,
7,
3,
4,
1,
0,
5,
4,
3,
1,
1,
7,
4,
9,
9,
4,
8,
4,
0,
2,
4,
5,
1,
1,
6,
4,
7,
1,
9,
4,
2,
4,
1,
5,
5,
3,
8,
3,
1,
4,
5,
6,
8,
9,
4,
1,
5,
3,
8,
0,
3,
2,
5,
1,
2,
8,
3,
4,
4,
0,
8,
8,
3,
3,
1,
7,
3,
5,
9,
6,
3,
2,
6,
1,
3,
6,
0,
7,
2,
1,
7,
1,
4,
2,
4,
2,
1,
7,
9,
6,
1,
1,
2,
4,
8,
1,
7,
7,
4,
8,
0,
7,
3,
1,
3,
1,
0,
7,
7,
0,
3,
5,
5,
2,
7,
6,
6,
9,
2,
8,
3,
5,
2,
2,
5,
6,
0,
8,
2,
9,
2,
8,
8,
8,
8,
7,
4,
9,
3,
0,
6,
6,
3,
2,
1,
3,
2,
2,
9,
3,
0,
0,
5,
7,
8,
1,
4,
4,
6,
0,
2,
9,
1,
4,
7,
4,
7,
3,
9,
8,
8,
4,
7,
1,
2,
1,
2,
2,
3,
2,
3,
2,
3,
9,
1,
7,
4,
0,
3,
5,
5,
8,
6,
3,
2,
6,
7,
6,
6,
3,
2,
7,
8,
1,
1,
7,
5,
6,
4,
9,
5,
1,
3,
3,
4,
7,
8,
9,
1,
1,
6,
9,
1,
4,
4,
5,
4,
0,
6,
2,
2,
3,
1,
5,
1,
2,
0,
3,
8,
1,
2,
6,
7,
1,
6,
2,
3,
9,
0,
1,
2,
2,
0,
8,
9,
...]
import numpy as np
pre_10000=pre_result.detach()
pre_10000
tensor([[-1.8005, -0.1725, 1.4765, ..., 13.5399, -0.6261, 3.8320],
[ 4.3233, 7.6017, 16.5872, ..., -0.0560, 5.2066, -7.0792],
[-2.1821, 9.3779, 0.7749, ..., 1.8749, 1.6951, -2.9422],
...,
[-5.5755, -2.2075, -9.2250, ..., -0.2451, 3.3703, 1.2951],
[ 0.5491, -7.7018, -5.8288, ..., -7.6734, 9.3946, -1.9603],
[ 3.5516, -8.2659, -0.5965, ..., -8.5934, 1.0133, -2.2048]])
pre_10000=np.array(pre_10000)
pre_10000
array([[-1.8004757 , -0.17253768, 1.4764961 , ..., 13.539932 ,
-0.6261405 , 3.832048 ],
[ 4.323273 , 7.601658 , 16.587166 , ..., -0.05598306,
5.20656 , -7.0792093 ],
[-2.1820781 , 9.377863 , 0.7748679 , ..., 1.8749483 ,
1.6950815 , -2.9421623 ],
...,
[-5.575542 , -2.2075167 , -9.225033 , ..., -0.24509335,
3.3702612 , 1.2950805 ],
[ 0.5491407 , -7.7017508 , -5.8287773 , ..., -7.6733685 ,
9.39456 , -1.9602803 ],
[ 3.5516088 , -8.265893 , -0.59651583, ..., -8.593432 ,
1.0132635 , -2.2048213 ]], dtype=float32)
12. 采用pandas可视化数据
import pandas as pd
table=pd.DataFrame(zip(pre_10000,label_10000))
table
| 0 | 1 | |
|---|---|---|
| 0 | [-1.8004757, -0.17253768, 1.4764961, 3.0824265... | 7 |
| 1 | [4.323273, 7.601658, 16.587166, 3.6476722, -6.... | 2 |
| 2 | [-2.1820781, 9.377863, 0.7748679, -3.0049446, ... | 1 |
| 3 | [13.455704, -9.902006, 2.8586285, -2.2104588, ... | 0 |
| 4 | [-2.9572597, -2.5707455, -3.5142026, -1.748683... | 4 |
| ... | ... | ... |
| 9995 | [-2.5784128, 10.5256405, 23.895123, 8.827512, ... | 2 |
| 9996 | [-2.773907, 0.56169015, 1.6811254, 15.230703, ... | 3 |
| 9997 | [-5.575542, -2.2075167, -9.225033, -5.60418, 1... | 4 |
| 9998 | [0.5491407, -7.7017508, -5.8287773, 2.2394006,... | 5 |
| 9999 | [3.5516088, -8.265893, -0.59651583, -4.034732,... | 6 |
10000 rows × 2 columns
table[0].values
array([array([ -1.8004757 , -0.17253768, 1.4764961 , 3.0824265 ,
-2.545419 , -0.76911056, -12.368087 , 13.539932 ,
-0.6261405 , 3.832048 ], dtype=float32) ,
array([ 4.323273 , 7.601658 , 16.587166 , 3.6476722 , -6.6673512 ,
-6.05786 , -1.5660243 , -0.05598306, 5.20656 , -7.0792093 ],
dtype=float32) ,
array([-2.1820781, 9.377863 , 0.7748679, -3.0049446, 1.3374403,
-1.6612737, 0.8854448, 1.8749483, 1.6950815, -2.9421623],
dtype=float32) ,
...,
array([-5.575542 , -2.2075167 , -9.225033 , -5.60418 , 17.216341 ,
2.8671436 , 1.0113716 , -0.24509335, 3.3702612 , 1.2950805 ],
dtype=float32) ,
array([ 0.5491407, -7.7017508, -5.8287773, 2.2394006, -7.533697 ,
13.003905 , 6.1807218, -7.6733685, 9.39456 , -1.9602803],
dtype=float32) ,
array([ 3.5516088 , -8.265893 , -0.59651583, -4.034732 , 1.3853229 ,
6.1974382 , 16.321545 , -8.593432 , 1.0132635 , -2.2048213 ],
dtype=float32) ],
dtype=object)
table["pred"]=[np.argmax(table[0][i]) for i in range(table.shape[0])]
table
| 0 | 1 | pred | |
|---|---|---|---|
| 0 | [-1.8004757, -0.17253768, 1.4764961, 3.0824265... | 7 | 7 |
| 1 | [4.323273, 7.601658, 16.587166, 3.6476722, -6.... | 2 | 2 |
| 2 | [-2.1820781, 9.377863, 0.7748679, -3.0049446, ... | 1 | 1 |
| 3 | [13.455704, -9.902006, 2.8586285, -2.2104588, ... | 0 | 0 |
| 4 | [-2.9572597, -2.5707455, -3.5142026, -1.748683... | 4 | 4 |
| ... | ... | ... | ... |
| 9995 | [-2.5784128, 10.5256405, 23.895123, 8.827512, ... | 2 | 2 |
| 9996 | [-2.773907, 0.56169015, 1.6811254, 15.230703, ... | 3 | 3 |
| 9997 | [-5.575542, -2.2075167, -9.225033, -5.60418, 1... | 4 | 4 |
| 9998 | [0.5491407, -7.7017508, -5.8287773, 2.2394006,... | 5 | 5 |
| 9999 | [3.5516088, -8.265893, -0.59651583, -4.034732,... | 6 | 6 |
10000 rows × 3 columns
13. 对预测错误的样本点进行可视化
mismatch=table[table[1]!=table["pred"]]
mismatch
| 0 | 1 | pred | |
|---|---|---|---|
| 247 | [-0.28747877, 1.9184055, 8.627771, -3.1354206,... | 4 | 2 |
| 340 | [-5.550468, 1.6552217, -0.96347404, 9.110174, ... | 5 | 3 |
| 449 | [-6.0154114, -3.7659, -2.7571707, 14.220249, -... | 3 | 5 |
| 582 | [-1.4626387, 1.3258317, 10.138913, 5.996572, -... | 8 | 2 |
| 659 | [-3.1300178, 8.830592, 8.781635, 5.6512327, -3... | 2 | 1 |
| ... | ... | ... | ... |
| 9768 | [2.6190603, -5.539648, 3.0145228, 4.8416886, -... | 2 | 3 |
| 9770 | [7.0385275, -9.72994, 0.03886398, -0.3356622, ... | 5 | 6 |
| 9792 | [-0.84618676, -0.038114145, -4.388391, 0.12577... | 4 | 9 |
| 9904 | [1.6193992, -7.525599, 2.833153, 3.7744582, -2... | 2 | 8 |
| 9982 | [0.8662107, -7.932593, -0.3750058, 1.9749051, ... | 5 | 6 |
158 rows × 3 columns
from matplotlib import pyplot as plt
plt.scatter(mismatch[1],mismatch["pred"])
14. 看看错误样本被预测为哪些数据
mismatch[mismatch[1]==8].sort_values("pred").index
Int64Index([4807, 2896, 582, 6625, 7220, 3871, 4123, 1878, 1319, 2179, 4601,
4956, 3023, 9280, 8408, 6765, 4497, 1530, 947],
dtype='int64')
table.iloc[4500,:]
0 [-4.9380565, 6.2523484, -1.2272537, 0.32682633...
1 9
pred 1
Name: 4500, dtype: object
idx_lst=mismatch[mismatch[1]==8].sort_values("pred").index.values
idx_lst,len(idx_lst)
(array([4807, 2896, 582, 6625, 7220, 3871, 4123, 1878, 1319, 2179, 4601,
4956, 3023, 9280, 8408, 6765, 4497, 1530, 947], dtype=int64),
19)
mismatch[mismatch[1]==8].sort_values("pred")
| 0 | 1 | pred | |
|---|---|---|---|
| 4807 | [5.3192024, -4.2546616, 3.6083155, 3.8956034, ... | 8 | 0 |
| 2896 | [7.4840407, -8.972937, 0.9461607, 1.6278361, -... | 8 | 0 |
| 582 | [-1.4626387, 1.3258317, 10.138913, 5.996572, -... | 8 | 2 |
| 6625 | [-5.413072, 2.7984824, 6.0430045, 2.3938487, 0... | 8 | 2 |
| 7220 | [-3.1443837, -3.4629154, 4.8560658, 12.752452,... | 8 | 3 |
| 3871 | [0.1749076, -5.8143945, 3.083826, 8.113558, -5... | 8 | 3 |
| 4123 | [-3.8682778, -2.290763, 6.1067047, 10.920237, ... | 8 | 3 |
| 1878 | [-2.8437655, -2.4290323, 3.1861248, 9.739316, ... | 8 | 3 |
| 1319 | [3.583813, -6.279593, -0.21310738, 7.2746606, ... | 8 | 3 |
| 2179 | [-0.57300043, -3.8434098, 8.02766, 12.139142, ... | 8 | 3 |
| 4601 | [-9.5640745, -2.1305811, -5.2161045, 2.3105593... | 8 | 4 |
| 4956 | [-7.5286517, -4.080871, -6.850239, -2.9094412,... | 8 | 4 |
| 3023 | [-2.6319933, -11.065216, -1.3231966, 0.0415189... | 8 | 5 |
| 9280 | [-1.9706918, -11.544259, -0.51283014, 3.955923... | 8 | 5 |
| 8408 | [1.0573181, -3.7079592, 0.34973174, -0.3489528... | 8 | 6 |
| 6765 | [2.8831, -2.6855779, 0.39529848, -1.855415, -2... | 8 | 6 |
| 4497 | [-4.830113, -0.28656, 4.911254, 4.4041815, -2.... | 8 | 7 |
| 1530 | [-4.4495664, -2.5381584, 5.4418654, 9.994939, ... | 8 | 7 |
| 947 | [-2.8835857, -8.3713045, -1.5150836, 3.1263702... | 8 | 9 |
import numpy as np
img=np.stack(list(test_dataset[idx_lst[i]][0][0] for i in range(5)),axis=1).reshape(28,28*5)
plt.imshow(img)
#显示3行
import numpy as np
img30=np.stack(
tuple(np.stack(
tuple(test_dataset[idx_lst[i+j*5]][0][0] for i in range(5)),
axis=1).reshape(28,28*5) for j in range(3)),axis=0).reshape(28*3,28*5)
plt.imshow(img30)
plt.axis('off')
(-0.5, 139.5, 83.5, -0.5)
arr2=table.iloc[idx_lst[:30],2].values
arr2
array([0, 0, 2, 2, 3, 3, 3, 3, 3, 3, 4, 4, 5, 5, 6, 6, 7, 7, 9],
dtype=int64)