《如何制作类mnist的金融数据集》——2.生成28*28灰度图

这篇具有很好参考价值的文章主要介绍了《如何制作类mnist的金融数据集》——2.生成28*28灰度图。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

2.生成28*28灰度图

有了9类共54000张黑白图后,需要对它进行进一步的处理,那就是把它弄成28*28的黑像素图像。主要思路就是对每类图像的文件夹进行遍历,然后resize

直接上代码:文章来源地址https://www.toymoban.com/news/detail-798968.html

import torchvision.transforms as transforms
from PIL import Image

num=6000
for i in range(num):
    # 读取原始图像
    # original_image = Image.open('./pre_data0/{}_0.jpg'.format(i+1))
    # original_image = Image.open('./pre_data1/{}_1.jpg'.format(i+1))
    # original_image = Image.open('./pre_data2/{}_2.jpg'.format(i+1))
    # original_image = Image.open('./pre_data3/{}_3.jpg'.format(i+1))
    # original_image = Image.open('./pre_data4/{}_4.jpg'.format(i+1))
    # original_image = Image.open('./pre_data5/{}_5.jpg'.format(i+1))
    # original_image = Image.open('./pre_data6/{}_6.jpg'.format(i+1))
    # original_image = Image.open('./pre_data7/{}_7.jpg'.format(i+1))
    original_image = Image.open('./pre_data8/{}_8.jpg'.format(i+1))
    # 定义转换
    transform = transforms.Compose([
        transforms.Grayscale(num_output_channels=1),
        transforms.Resize((28, 28)),
        transforms.ToTensor()
    ])
    # 应用转换
    transformed_image = transform(original_image).squeeze(0)  # squeeze(pre_data0)用于去掉批处理维度
    # print(transformed_image)
    for i1 in range(28):
        for j in range(28):
            if transformed_image[i1][j] < 0.1:
                transformed_image[i1][j] = 0
            else:
                transformed_image[i1][j] = 1
    # 将张量转换为图像
    transformed_image_PIL = transforms.ToPILImage()(transformed_image)
    # 保存图像
    # transformed_image_PIL.save('./aft_train_data0/{}_0.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_train_data1/{}_1.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_train_data2/{}_2.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_train_data3/{}_3.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_train_data4/{}_4.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_train_data5/{}_5.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_train_data6/{}_6.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_train_data7/{}_7.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_train_data8/{}_8.jpg'.format(i+1))

    # transformed_image_PIL.save('./aft_test_data0/{}_0.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_test_data1/{}_1.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_test_data2/{}_2.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_test_data3/{}_3.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_test_data4/{}_4.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_test_data5/{}_5.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_test_data6/{}_6.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_test_data7/{}_7.jpg'.format(i+1))
    # transformed_image_PIL.save('./aft_test_data8/{}_8.jpg'.format(i+1))

    # transformed_image_PIL.save('./testdata_png/{}_8.png'.format(i + 1))

    transformed_image_PIL.save('./traindata_png/{}_8.png'.format(i + 1))

到了这里,关于《如何制作类mnist的金融数据集》——2.生成28*28灰度图的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 量化交易策略的未来:如何融合人工智能与金融

    量化交易策略的未来:如何融合人工智能与金融 量化交易策略已经成为金融市场中最受关注的话题之一。随着大数据、人工智能和机器学习技术的快速发展,量化交易策略的应用范围和深度得到了显著提高。这篇文章将探讨量化交易策略的未来趋势,以及如何将人工智能与金

    2024年02月20日
    浏览(127)
  • 学习笔记:Pytorch利用MNIST数据集训练生成对抗网络(GAN)

    2023.8.27        在进行深度学习的进阶的时候,我发了生成对抗网络是一个很神奇的东西,为什么它可以“将一堆随机噪声经过生成器变成一张图片”,特此记录一下学习心得。         2014年,还在蒙特利尔读博士的Ian Goodfellow发表了论 文《Generative Adversarial Networks》(网址

    2024年02月10日
    浏览(40)
  • 区块链+AI:未来的金融和支付领域如何开启区块链与人工智能的协作和融合?

    作者:禅与计算机程序设计艺术 随着互联网金融和支付领域的迅速发展,在此之前主要基于中心化体系的支付、汇款方式已经无法满足需求了。由于各种各样的原因导致传统的支付手段存在很多限制和缺点。比如说,信用卡支付普遍需要用户线下到银行柜台进行充值、兑换,

    2024年02月07日
    浏览(53)
  • 人工智能TensorFlow MNIST手写数字识别——实战篇

    上期文章TensorFlow手写数字-训练篇,我们训练了我们的神经网络,本期使用上次训练的模型,来识别手写数字(本期构建TensorFlow神经网络代码为上期文章分享代码) http://scs.ryerson.ca/~aharley/vis/conv/ 0、插入第三方库 1、图片处理函数

    2024年02月15日
    浏览(56)
  • 89 | Python人工智能篇 —— 深度学习算法 Keras 实现 MNIST分类

    本教程将带您深入探索Keras,一个开源的深度学习框架,用于构建人工神经网络模型。我们将一步步引导您掌握Keras的核心概念和基本用法,学习如何构建和训练深度学习模型,以及如何将其应用于实际问题中。

    2024年02月13日
    浏览(55)
  • 【人工智能概论】 构建神经网络——以用InceptionNet解决MNIST任务为例

    两条原则,四个步骤。 从宏观到微观 把握数据形状 准备数据 构建模型 确定优化策略 完善训练与测试代码 InceptionNet的设计思路是通过增加网络宽度来获得更好的模型性能。 其核心在于基本单元Inception结构块,如下图: 通过纵向堆叠Inception块构建完整网络。 MNIST是入门级的

    2023年04月20日
    浏览(51)
  • 【生成人工智能】Ray如何解决生成人工智能基础设施的常见生产挑战

    这是我们生成人工智能博客系列的第一部分。在这篇文章中,我们讨论了如何使用Ray来生产常见的生成模型工作负载。即将发布的一篇博客将深入探讨Alpa等项目为什么要使用Ray来扩展大型模型。 生成的图像和语言模型有望改变企业的设计、支持、开发等方式。本博客重点关

    2024年02月02日
    浏览(58)
  • GAN实现mnist生成

    GAN参考,他写的超好 在上面的代码中,优化 Discriminator(D)和 Generator(G)是分开进行的。当优化 Discriminator 时,只有 Discriminator 的参数会被更新。这是通过执行 d_loss.backward() 和 d_optimizer.step() 来实现的。在这一步,Generator 的参数不会被更新。 同样地,当优化 Generator 时,只

    2024年02月07日
    浏览(50)
  • 如何测试生成式人工智能(AIGC)

    简介 :在人工智能日趋普及的今天,生成式人工智能(AIGC)已经成为不可忽视的一个分支。从自动化生成新闻、编写代码到图像和音频生成,AIGC几乎无处不在。但如何确保这些生成的内容达到预期标准、安全可靠,同时又具有高度的可用性呢?这是一个值得细细思考的问题

    2024年02月07日
    浏览(72)
  • 如何使用生成式人工智能探索视频博客的魅力?

    视频博客,尤其是关于旅游的视频博客,为观众提供了一种全新的探索世界的方式。通过图像和声音的结合,观众可以身临其境地体验到旅行的乐趣和发现的喜悦。而对于内容创作者来说,旅游视频博客不仅能分享他们的旅行故事,还能吸引关注,甚至实现变现。本文将指导

    2024年03月14日
    浏览(60)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包