当前位置：首页 > news >正文

【Python机器学习】实验14 手写体卷积神经网络（PyTorch实现）

news 2026/2/9 17:35:56

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 $\mathbb{R}^{1 \times 28 \times 28}$ ，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 $\mathbb{R}^{6 \times 24 \times 24}$ ，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 $\mathbb{R}^{6 \times 1 \times 5 \times 5}$ 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 $\mathbb{R}^{6 \times 24 \times 24}$ ，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 $\mathbb{R}^{6 \times 12 \times 12}$ ，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 $\mathbb{R}^{6 \times 12 \times 12}$ ，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 $\mathbb{R}^{16 \times 8 \times 8}$ ，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 $\mathbb{R}^{m \times 16 \times 6 \times 5 \times 5}$ ，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 $\mathbb{R}^{16 \times 8 \times 8}$ ，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 $\mathbb{R}^{16 \times 4 \times 4}$ ，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 $\mathbb{R}^{16 \times 4 \times 4}$ ，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。

$E(\mathbf{y}^{i},\mathbf{\hat{y}}^{i})=-\sum_{j=1}^{q}\mathbf{y}_{j}^{i}ln(\mathbf{\hat{y}}_{j}^{i})$

其中， $\mathbf{y}^{i} \in \mathbb{R}^{q}$ 为真实值， $y_{j}^{i}$ 是 $\mathbf{y}^{i}$ 中的元素(取值为0或1)， $j = 1, ..., q$ 。 $\mathbf{\hat{y}^{i}} \in \mathbb{R}^{q}$ 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]

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)==24self.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*8nn.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=0for 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+=lossloss.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)

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)

train_dataset[0][0].shape

torch.Size([1, 28, 28])

import matplotlib.pyplot as plt
plt.imshow(train_dataset[3][0][0],cmap="gray")

<matplotlib.image.AxesImage at 0x217dc3c6bd0>

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*colsplt.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=<CopySlices>)

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=<SliceBackward0>)

#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"])

<matplotlib.collections.PathCollection at 0x217dc403490>

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)

<matplotlib.image.AxesImage at 0x217dc28e9d0>

#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)