Вот руководство о том, как вы можете внести незначительные изменения в MNIST пример в соответствии с вашими потребностями.Там могут быть некоторые неудобства.
- Храните ваши данные локально как изображения в каталоге в разных категориях:
train/cats/abc.jpg
train/cats/def.jpg ...
train/dogs/ghi.jpg ...
train/mouse/jkl.jpg ...
analogously for validation
val/cats/...
val/dogs/...
Имена файлов не имеют значения, только каталогитак как они будут использоваться для определения категории.
Обновите пример MNIST, чтобы использовать
ImageFolderDataset для ваших тестовых и обучающих данных
train_data = mx.gluon.data.vision.datasets.ImageFolderDataset(training_path)
val_data = mx.gluon.data.vision.datasets.ImageFolderDataset(val_path)
Обратите внимание, что вам может потребоваться применить преобразование к вашим изображениям.
Замените сеть одним плотным слоем без активации и потерями L2 для линейной регрессии.
net = Dense(number_of_outputs) # activation=None, use_bias=True by default
(В коде это lenet вместо net.)
Больше документов: https://mxnet.incubator.apache.org/versions/master/tutorials/gluon/datasets.html
Надеюсь, это поможет!