ного новичок в этой области и поэтому решил работать над набором данных MNIST. Я в значительной степени адаптировал весь кодhttps://github.com/pytorch/examples/blob/master/mnist/main.pyтолько с одним значительным изменением: загрузка данных. Я не хотел использовать предварительно загруженный набор данных в Torchvision. Так что я использовалMNIST в CSV.

Я загрузил данные из CSV-файла, унаследовав его от Dataset и сделав новый загрузчик данных. Вот соответствующий код:

mean = 33.318421449829934
sd = 78.56749081851163
# mean = 0.1307
# sd = 0.3081
import numpy as np
from torch.utils.data import Dataset, DataLoader

class dataset(Dataset):
    def __init__(self, csv, transform=None):
        data = pd.read_csv(csv, header=None)
        self.X = np.array(data.iloc[:, 1:]).reshape(-1, 28, 28, 1).astype('float32')
        self.Y = np.array(data.iloc[:, 0])

        del data
        self.transform = transform

    def __len__(self):
        return len(self.X)

    def __getitem__(self, idx):
        item = self.X[idx]
        label = self.Y[idx]

        if self.transform:
            item = self.transform(item)

        return (item, label)

import torchvision.transforms as transforms
trainData = dataset('mnist_train.csv', transform=transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((mean,), (sd,))
]))
testData = dataset('mnist_test.csv', transform=transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((mean,), (sd,))
]))

train_loader = DataLoader(dataset=trainData,
                         batch_size=10, 
                         shuffle=True,
                         )
test_loader = DataLoader(dataset=testData, 
                        batch_size=10, 
                        shuffle=True,
                        )

Однако этот код дает мне абсолютно странный график ошибок обучения, который вы видите на рисунке, и окончательную ошибку проверки в 11%, поскольку он классифицирует все как «7».

Мне удалось отследить проблему до того, как я нормализую данные, и если я использую значения, приведенные в примере кода (0.1307 и 0.3081) для преобразований. Нормализация, наряду с чтением данных как типа «uint8», работает отлично. Обратите внимание, что есть оченьминимальная разница в данных что предусмотрено в этих двух случаях. Нормализация на 0,1307 и 0,3081 для значений от 0 до 1 имеет тот же эффект, что и нормализация на 33,31 и 78,56 для значений от 0 до 255. Значения даже в основном одинаковы (черный пиксель соответствует -0,4241 в первом случае и -0,4242 В секунду).

Если вы хотите увидеть IPython Note, книгу, где эта проблема видна четко, пожалуйста, ознакомьтесь сhttps://colab.research.google.com/drive/1W1qx7IADpnn5e5w97IcxVvmZAaMK9vL3

Я не могу понять, что вызвало такую ​​огромную разницу в поведении этих двух немного разных способов загрузки данных. Любая помощь будет высоко ценится.