[PYTHON] [tensorflow, keras, mnist] Extrahieren Sie n Blätter für jedes Etikett aus den Daten von mnist und erstellen Sie 10 * n Datenblätter.

Vorwort

Warum nehmen Sie sich eine kleine Datenmenge?

• Weil ich an ein Modell denken möchte, das auch bei geringer Datenmenge eine gute Genauigkeit bietet
• Weil ich Verzerrungen für jedes Etikett beseitigen möchte

Code

github Laden Sie mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

Speichern Sie y_train einmal im Pandas-Datenrahmen, teilen Sie den Datenrahmen davon und rufen Sie den Index ab. Mit n = 100 im Durchfluss herausnehmen.

#Verwenden Sie Pandas, einen Code, um 100 Blatt jedes Etiketts zu erhalten
df = pd.DataFrame(columns=["label"])
df["label"] = y_train.reshape([-1])

list_0 = df.loc[df.label==0].sample(n=100)#n=Probenahme bei 100
list_1 = df.loc[df.label==1].sample(n=100)
list_2 = df.loc[df.label==2].sample(n=100)
list_3 = df.loc[df.label==3].sample(n=100)
list_4 = df.loc[df.label==4].sample(n=100)
list_5 = df.loc[df.label==5].sample(n=100)
list_6 = df.loc[df.label==6].sample(n=100)
list_7 = df.loc[df.label==7].sample(n=100)
list_8 = df.loc[df.label==8].sample(n=100)
list_9 = df.loc[df.label==9].sample(n=100)

label_list = pd.concat([list_0,list_1,list_2,list_3,list_4,list_5,list_6,list_7,list_8,
                       list_9])
label_list = label_list.sort_index()
label_idx = label_list.index.values

train_label = label_list.label.values

"""
x_Datenrahmen für Etikett vom Zug.Durch Extrahieren des Index werden die dem Etikett entsprechenden Daten extrahiert.
"""
x_train = x_train[label_idx]
y_train= train_label
x_train = x_train / 255
x_test = x_test / 255

Jetzt können Sie alle 100 Blätter jedes Etiketts probieren.