Fashion-MNIST

本文源自 http://studyai.com/pytorch-1.4/intermediate/tensorboard_tutorial.html 在 60分钟闪电战 中，我们展示了如何加载数据，如何为我们定义为 nn.Module 的子类的模型提供数据， 如何在训练数据上训练此模型，并在测试数据上测试它。 为了了解发生了什么，我们打印了一些统计数据，因为模型正在训练，以了解训练是否在进步。 然而，我们可以做得更好：PyTorch与TensorBoard集成，TensorBoard是一个用来可视化神经网络训练结果的工具。 本教程使用 Fashion-MNIST dataset 演示了它的一些功能，该数据集可以使用 torchvision.datasets 读入PyTorch。 在本教程中, 我们将学习如何: 读入数据并使用适当的变换（与前面的教程几乎相同）。 设置 TensorBoard. 写入 TensorBoard. 使用 TensorBoard 检查模型体系结构。. 使用 TensorBoard 创建我们在上一个教程中创建的可视化效果的交互版本，使用较少的代码 尤其是, 在第 #5 个知识点中, 我们将会看到: 检查训练数据的几种方法 如何跟踪模型在训练过程中的性能 如何评估我们的模型的性能，一旦它被训练完成后。 我们将从类似于 CIFAR-10教程 中的样板代码开始： #

跟着漂亮小姐姐从0到1学习Tensorflow 推荐一个Tensorflow发布的系列视频——“Machine Learning: From Zero to Hero with TensorFlow”（机器学习: 从零到一学习Tensorflow)，每个视频都很简短，有配套的案例代码，非常适合用一个下午的时间完整的熟悉机器学习、神经网络、机器视觉和TensorFlow的基本概念和操作。 第一集: 介绍机器学习的基础概念，用一个简单的示例代码去构建一个机器学习模型，然后你会明白机器学习究竟是什么样子？ 第二集: 本集以Fashion MNIST 数据集为例，通过教计算机如何看到并识别不同的物体，你可以学习到一些基本的计算机视觉概念。示例代码不但提供了完整机器学习流程，还提供了8个练习题。 第三集: 讨论卷积神经网络的工作原理，以及为什么它们在计算机视觉中得到了广泛的应用。示例代码演了卷积神经网络的创建、Pooling操作以及如何使用卷积神经网络来改进第二集中的Fashion MNIST图像分类模型。 第四集: 将本系列前三集的所有内容都整合在一起，学习如何构建一个剪刀，石头，布的分类器。 观看地址： https://www.bilibili.com/video/av85767561 数据集及案例代码已打包， 关注公众号，后台回复：Tensorflow 首发于微信公众号：