AI 助理
备案控制台
开发者社区 人工智能 文章 正文

【Python机器学习】实验15 将Lenet5应用于Cifar10数据集2

2023-10-13 85
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 【Python机器学习】实验15 将Lenet5应用于Cifar10数据集

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）

pre_result=torch.zeros(len(test_dataset),10)
for i in range(len(test_dataset)):
    pre_result[i,:]=model(torch.reshape(test_dataset[i][0],(-1,3,32,32)))
pre_result    

tensor([[-0.4934, -1.0982,  0.4072,  ..., -0.4038, -1.1655, -0.8201],
        [ 4.0154,  4.4736, -0.2921,  ..., -2.3925,  4.3176,  4.1910],
        [ 1.3858,  3.2022, -0.7004,  ..., -2.2767,  3.0923,  2.3740],
        ...,
        [-1.9551, -3.8085,  1.7917,  ...,  2.1104, -2.9573, -1.7387],
        [ 0.6681, -0.5328,  0.3059,  ...,  0.1170, -2.5236, -0.5746],
        [-0.5194, -2.6185,  1.1929,  ...,  3.7749, -2.3134, -1.5123]],
       grad_fn=<CopySlices>)

pre_result.shape

torch.Size([10000, 10])

pre_result[:5]


tensor([[-0.4934, -1.0982,  0.4072,  1.7331, -0.4456,  1.6433,  0.1721, -0.4038,
         -1.1655, -0.8201],
        [ 4.0154,  4.4736, -0.2921, -3.2882, -1.6234, -4.4814, -3.1241, -2.3925,
          4.3176,  4.1910],
        [ 1.3858,  3.2022, -0.7004, -1.0123, -1.7394, -1.6657, -3.2578, -2.2767,
          3.0923,  2.3740],
        [ 2.1151,  0.8262,  0.0071, -1.1410, -0.3051, -2.0239, -2.3023, -0.3573,
          2.9400,  0.5595],
        [-2.3524, -2.7907,  1.9834,  2.1088,  2.7645,  1.1118,  2.9782, -0.3876,
         -3.2325, -2.3916]], 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

[3,
 8,
 8,
 0,
 6,
 6,
 1,
 6,
 3,
 1,
 0,
 9,
 5,
 7,
 9,
 8,
 5,
 7,
 8,
 6,
 7,
 0,
 4,
 9,
 5,
 2,
 4,
 0,
 9,
 6,
 6,
 5,
 4,
 5,
 9,
 2,
 4,
 1,
 9,
 5,
 4,
 6,
 5,
 6,
 0,
 9,
 3,
 9,
 7,
 6,
 9,
 8,
 0,
 3,
 8,
 8,
 7,
 7,
 4,
 6,
 7,
 3,
 6,
 3,
 6,
 2,
 1,
 2,
 3,
 7,
 2,
 6,
 8,
 8,
 0,
 2,
 9,
 3,
 3,
 8,
 8,
 1,
 1,
 7,
 2,
 5,
 2,
 7,
 8,
 9,
 0,
 3,
 8,
 6,
 4,
 6,
 6,
 0,
 0,
 7,
 4,
 5,
 6,
 3,
 1,
 1,
 3,
 6,
 8,
 7,
 4,
 0,
 6,
 2,
 1,
 3,
 0,
 4,
 2,
 7,
 8,
 3,
 1,
 2,
 8,
 0,
 8,
 3,
 5,
 2,
 4,
 1,
 8,
 9,
 1,
 2,
 9,
 7,
 2,
 9,
 6,
 5,
 6,
 3,
 8,
 7,
 6,
 2,
 5,
 2,
 8,
 9,
 6,
 0,
 0,
 5,
 2,
 9,
 5,
 4,
 2,
 1,
 6,
 6,
 8,
 4,
 8,
 4,
 5,
 0,
 9,
 9,
 9,
 8,
 9,
 9,
 3,
 7,
 5,
 0,
 0,
 5,
 2,
 2,
 3,
 8,
 6,
 3,
 4,
 0,
 5,
 8,
 0,
 1,
 7,
 2,
 8,
 8,
 7,
 8,
 5,
 1,
 8,
 7,
 1,
 3,
 0,
 5,
 7,
 9,
 7,
 4,
 5,
 9,
 8,
 0,
 7,
 9,
 8,
 2,
 7,
 6,
 9,
 4,
 3,
 9,
 6,
 4,
 7,
 6,
 5,
 1,
 5,
 8,
 8,
 0,
 4,
 0,
 5,
 5,
 1,
 1,
 8,
 9,
 0,
 3,
 1,
 9,
 2,
 2,
 5,
 3,
 9,
 9,
 4,
 0,
 3,
 0,
 0,
 9,
 8,
 1,
 5,
 7,
 0,
 8,
 2,
 4,
 7,
 0,
 2,
 3,
 6,
 3,
 8,
 5,
 0,
 3,
 4,
 3,
 9,
 0,
 6,
 1,
 0,
 9,
 1,
 0,
 7,
 9,
 1,
 2,
 6,
 9,
 3,
 4,
 6,
 0,
 0,
 6,
 6,
 6,
 3,
 2,
 6,
 1,
 8,
 2,
 1,
 6,
 8,
 6,
 8,
 0,
 4,
 0,
 7,
 7,
 5,
 5,
 3,
 5,
 2,
 3,
 4,
 1,
 7,
 5,
 4,
 6,
 1,
 9,
 3,
 6,
 6,
 9,
 3,
 8,
 0,
 7,
 2,
 6,
 2,
 5,
 8,
 5,
 4,
 6,
 8,
 9,
 9,
 1,
 0,
 2,
 2,
 7,
 3,
 2,
 8,
 0,
 9,
 5,
 8,
 1,
 9,
 4,
 1,
 3,
 8,
 1,
 4,
 7,
 9,
 4,
 2,
 7,
 0,
 7,
 0,
 6,
 6,
 9,
 0,
 9,
 2,
 8,
 7,
 2,
 2,
 5,
 1,
 2,
 6,
 2,
 9,
 6,
 2,
 3,
 0,
 3,
 9,
 8,
 7,
 8,
 8,
 4,
 0,
 1,
 8,
 2,
 7,
 9,
 3,
 6,
 1,
 9,
 0,
 7,
 3,
 7,
 4,
 5,
 0,
 0,
 2,
 9,
 3,
 4,
 0,
 6,
 2,
 5,
 3,
 7,
 3,
 7,
 2,
 5,
 3,
 1,
 1,
 4,
 9,
 9,
 5,
 7,
 5,
 0,
 2,
 2,
 2,
 9,
 7,
 3,
 9,
 4,
 3,
 5,
 4,
 6,
 5,
 6,
 1,
 4,
 3,
 4,
 4,
 3,
 7,
 8,
 3,
 7,
 8,
 0,
 5,
 7,
 6,
 0,
 5,
 4,
 8,
 6,
 8,
 5,
 5,
 9,
 9,
 9,
 5,
 0,
 1,
 0,
 8,
 1,
 1,
 8,
 0,
 2,
 2,
 0,
 4,
 6,
 5,
 4,
 9,
 4,
 7,
 9,
 9,
 4,
 5,
 6,
 6,
 1,
 5,
 3,
 8,
 9,
 5,
 8,
 5,
 7,
 0,
 7,
 0,
 5,
 0,
 0,
 4,
 6,
 9,
 0,
 9,
 5,
 6,
 6,
 6,
 2,
 9,
 0,
 1,
 7,
 6,
 7,
 5,
 9,
 1,
 6,
 2,
 5,
 5,
 5,
 8,
 5,
 9,
 4,
 6,
 4,
 3,
 2,
 0,
 7,
 6,
 2,
 2,
 3,
 9,
 7,
 9,
 2,
 6,
 7,
 1,
 3,
 6,
 6,
 8,
 9,
 7,
 5,
 4,
 0,
 8,
 4,
 0,
 9,
 3,
 4,
 8,
 9,
 6,
 9,
 2,
 6,
 1,
 4,
 7,
 3,
 5,
 3,
 8,
 5,
 0,
 2,
 1,
 6,
 4,
 3,
 3,
 9,
 6,
 9,
 8,
 8,
 5,
 8,
 6,
 6,
 2,
 1,
 7,
 7,
 1,
 2,
 7,
 9,
 9,
 4,
 4,
 1,
 2,
 5,
 6,
 8,
 7,
 6,
 8,
 3,
 0,
 5,
 5,
 3,
 0,
 7,
 9,
 1,
 3,
 4,
 4,
 5,
 3,
 9,
 5,
 6,
 9,
 2,
 1,
 1,
 4,
 1,
 9,
 4,
 7,
 6,
 3,
 8,
 9,
 0,
 1,
 3,
 6,
 3,
 6,
 3,
 2,
 0,
 3,
 1,
 0,
 5,
 9,
 6,
 4,
 8,
 9,
 6,
 9,
 6,
 3,
 0,
 3,
 2,
 2,
 7,
 8,
 3,
 8,
 2,
 7,
 5,
 7,
 2,
 4,
 8,
 7,
 4,
 2,
 9,
 8,
 8,
 6,
 8,
 8,
 7,
 4,
 3,
 3,
 8,
 4,
 9,
 4,
 8,
 8,
 1,
 8,
 2,
 1,
 3,
 6,
 5,
 4,
 2,
 7,
 9,
 9,
 4,
 1,
 4,
 1,
 3,
 2,
 7,
 0,
 7,
 9,
 7,
 6,
 6,
 2,
 5,
 9,
 2,
 9,
 1,
 2,
 2,
 6,
 8,
 2,
 1,
 3,
 6,
 6,
 0,
 1,
 2,
 7,
 0,
 5,
 4,
 6,
 1,
 6,
 4,
 0,
 2,
 2,
 6,
 0,
 5,
 9,
 1,
 7,
 6,
 7,
 0,
 3,
 9,
 6,
 8,
 3,
 0,
 3,
 4,
 7,
 7,
 1,
 4,
 7,
 2,
 7,
 1,
 4,
 7,
 4,
 4,
 8,
 4,
 7,
 7,
 5,
 3,
 7,
 2,
 0,
 8,
 9,
 5,
 8,
 3,
 6,
 2,
 0,
 8,
 7,
 3,
 7,
 6,
 5,
 3,
 1,
 3,
 2,
 2,
 5,
 4,
 1,
 2,
 9,
 2,
 7,
 0,
 7,
 2,
 1,
 3,
 2,
 0,
 2,
 4,
 7,
 9,
 8,
 9,
 0,
 7,
 7,
 0,
 7,
 8,
 4,
 6,
 3,
 3,
 0,
 1,
 3,
 7,
 0,
 1,
 3,
 1,
 4,
 2,
 3,
 8,
 4,
 2,
 3,
 7,
 8,
 4,
 3,
 0,
 9,
 0,
 0,
 1,
 0,
 4,
 4,
 6,
 7,
 6,
 1,
 1,
 3,
 7,
 3,
 5,
 2,
 6,
 6,
 5,
 8,
 7,
 1,
 6,
 8,
 8,
 5,
 3,
 0,
 4,
 0,
 1,
 3,
 8,
 8,
 0,
 6,
 9,
 9,
 9,
 5,
 5,
 8,
 6,
 0,
 0,
 4,
 2,
 3,
 2,
 7,
 2,
 2,
 5,
 9,
 8,
 9,
 1,
 7,
 4,
 0,
 3,
 0,
 1,
 3,
 8,
 3,
 9,
 6,
 1,
 4,
 7,
 0,
 3,
 7,
 8,
 9,
 1,
 1,
 6,
 6,
 6,
 6,
 9,
 1,
 9,
 9,
 4,
 2,
 1,
 7,
 0,
 6,
 8,
 1,
 9,
 2,
 9,
 0,
 4,
 7,
 8,
 3,
 1,
 2,
 0,
 1,
 5,
 8,
 4,
 6,
 3,
 8,
 1,
 3,
 8,
 ...]

import numpy
pre_10000=pre_result.detach()
pre_10000

tensor([[-0.4934, -1.0982,  0.4072,  ..., -0.4038, -1.1655, -0.8201],
        [ 4.0154,  4.4736, -0.2921,  ..., -2.3925,  4.3176,  4.1910],
        [ 1.3858,  3.2022, -0.7004,  ..., -2.2767,  3.0923,  2.3740],
        ...,
        [-1.9551, -3.8085,  1.7917,  ...,  2.1104, -2.9573, -1.7387],
        [ 0.6681, -0.5328,  0.3059,  ...,  0.1170, -2.5236, -0.5746],
        [-0.5194, -2.6185,  1.1929,  ...,  3.7749, -2.3134, -1.5123]])

pre_10000=numpy.array(pre_10000)
pre_10000

array([[-0.49338394, -1.098238  ,  0.40724754, ..., -0.40375623,
        -1.165497  , -0.820113  ],
       [ 4.0153656 ,  4.4736323 , -0.29209492, ..., -2.392501  ,
         4.317573  ,  4.190993  ],
       [ 1.3858219 ,  3.2021556 , -0.70040375, ..., -2.2767155 ,
         3.092283  ,  2.373978  ],
       ...,
       [-1.9550545 , -3.808494  ,  1.7917161 , ...,  2.110389  ,
        -2.9572597 , -1.7386926 ],
       [ 0.66809845, -0.5327946 ,  0.30590305, ...,  0.11701592,
        -2.5236375 , -0.5746133 ],
       [-0.51935434, -2.6184506 ,  1.1929085 , ...,  3.7748828 ,
        -2.3134274 , -1.5123445 ]], dtype=float32)


文章标签：
机器学习/深度学习
Python
关键词：
Python应用
人工智能平台 PAI应用
Python机器学习
python人工智能平台 PAI
人工智能平台 PAI python
Want595
目录
相关文章
站大爷
|
1月前
|
监控 数据可视化 数据挖掘
Python Rich库使用指南：打造更美观的命令行应用
Rich库是Python的终端美化利器，支持彩色文本、智能表格、动态进度条和语法高亮，大幅提升命令行应用的可视化效果与用户体验。
站大爷
104 0
sunyalei
|
2月前
|
数据采集 监控 Java
Python 函数式编程的执行效率：实际应用中的权衡
Python 函数式编程的执行效率：实际应用中的权衡
sunyalei
221 102
Deephub
|
4月前
|
机器学习/深度学习 数据采集 算法
Python AutoML框架选型攻略：7个工具性能对比与应用指南
本文系统介绍了主流Python AutoML库的技术特点与适用场景，涵盖AutoGluon、PyCaret、TPOT、Auto-sklearn、H2O AutoML及AutoKeras等工具，帮助开发者根据项目需求高效选择自动化机器学习方案。
Deephub
451 1
TiAmoZhang
|
3月前
|
存储 数据可视化 BI
Python可视化应用——学生成绩分布柱状图展示
本程序使用Python读取Excel中的学生成绩数据，统计各分数段人数，并通过Matplotlib库绘制柱状图展示成绩分布。同时计算最高分、最低分及平均分，实现成绩可视化分析。
TiAmoZhang
245 0
荔枝科研社
|
1月前
|
机器学习/深度学习 算法 安全
【强化学习应用(八)】基于Q-learning的无人机物流路径规划研究（Python代码实现）
【强化学习应用(八)】基于Q-learning的无人机物流路径规划研究（Python代码实现）
荔枝科研社
106 6
智物科技库
|
6月前
|
机器学习/深度学习 数据可视化 算法
Python数值方法在工程和科学问题解决中的应用
本文探讨了Python数值方法在工程和科学领域的广泛应用。首先介绍了数值计算的基本概念及Python的优势，如易学易用、丰富的库支持和跨平台性。接着分析了Python在有限元分析、信号处理、优化问题求解和控制系统设计等工程问题中的应用，以及在数据分析、机器学习、模拟建模和深度学习等科学问题中的实践。通过具体案例，展示了Python解决实际问题的能力，最后总结展望了Python在未来工程和科学研究中的发展潜力。
智物科技库
130 0
站大爷
|
1月前
|
设计模式 缓存 运维
Python装饰器实战场景解析：从原理到应用的10个经典案例
Python装饰器是函数式编程的精华，通过10个实战场景，从日志记录、权限验证到插件系统，全面解析其应用。掌握装饰器，让代码更优雅、灵活，提升开发效率。
站大爷
114 0
站大爷
|
2月前
|
数据采集 存储 数据可视化
Python网络爬虫在环境保护中的应用：污染源监测数据抓取与分析
在环保领域，数据是决策基础，但分散在多个平台，获取困难。Python网络爬虫技术灵活高效，可自动化抓取空气质量、水质、污染源等数据，实现多平台整合、实时更新、结构化存储与异常预警。本文详解爬虫实战应用，涵盖技术选型、代码实现、反爬策略与数据分析，助力环保数据高效利用。
站大爷
153 0
站大爷
|
2月前
|
存储 程序员 数据处理
Python列表基础操作全解析：从创建到灵活应用
本文深入浅出地讲解了Python列表的各类操作，从创建、增删改查到遍历与性能优化，内容详实且贴近实战，适合初学者快速掌握这一核心数据结构。
站大爷
217 0
站大爷
|
2月前
|
中间件 机器人 API
Python多态实战：从基础到高阶的“魔法”应用指南
Python多态机制通过“鸭子类型”实现灵活接口，使不同对象统一调用同一方法，自动执行各自行为。它简化代码逻辑、提升扩展性，适用于数据处理、策略切换、接口适配等场景。掌握多态思维，能有效减少冗余判断，使程序更优雅、易维护。
站大爷
144 0

热门文章

最新文章

  • 1
    量子机器学习入门：三种数据编码方法对比与应用
  • 2
    Python采集淘宝评论API接口及JSON数据返回全流程指南
  • 3
    唯品会item_search - 按关键字搜索 VIP 商品接口深度分析及 Python 实现
  • 4
    热门小游戏源码（Python+PHP）下载-微信小程序游戏源码Unity发实战指南​
  • 5
    VVIC seller_search 排行榜搜索接口深度分析及 Python 实现
  • 6
    Python爬虫技术：从基础到实战的完整教程
  • 7
    5分钟学会用Python爬取知乎热榜：从零开始的实战指南
  • 8
    唯品会 item_get - 获得 VIP 商品详情接口深度分析及 Python 实现
  • 9
    Amazon item_review 商品评论接口深度分析及 Python 实现
  • 10
    Python中的match-case语句：更优雅的模式匹配
  • 1
    深度学习500问——Chapter02：机器学习基础（5）
    168
  • 2
    深度学习500问——Chapter02：机器学习基础（2）
    216
  • 3
    深度学习500问——Chapter02：机器学习基础（1）
    180
  • 4
    【机器学习】样本、特征、标签：构建智能模型的三大基石
    5613
  • 5
    【机器学习】包裹式特征选择之基于模型的特征选择法
    366
  • 6
    利用机器学习优化数据中心的能源效率
    212
  • 7
    利用机器学习优化数据中心的能源效率
    177
  • 8
    构建高效机器学习模型的策略与实践
    80
  • 9
    利用机器学习算法改善电商推荐系统的效率
    471
  • 10
    构建高效机器学习模型的策略与实践
    99

    • 相关课程

    更多
  • PAI平台学习路线：机器学习入门到应用
  • 场景实践 - 机器学习PAI实现精细化营销
  • 场景实践 - 基于阿里云PAI机器学习平台使用时间序列分解模型预测商品销量
  • 场景实践 - 基于机器学习进行收入预测分析
  • 机器学习概览及常见算法
  • 机器学习入门-概念原理及常用算法

    • 相关电子书

    更多
  • 大规模机器学习在蚂蚁+阿里的应用
  • 基于Spark的面向十亿级别特征的 大规模机器学习
  • 基于Spark的大规模机器学习在微博的应用

    • 推荐镜像

    更多
  • python-release
    • 下一篇
    阿里云oss简介和如何对接使用