Посмотрите на данные. Мы уже загрузили выборки, разбили их на признаки и целевой признак.
Выведите на экран размеры признаков в обеих выборках. Затем напечатайте значение целевого признака первого изображения из обучающей выборки. Само изображение выведите в чёрно-белом цвете (уже в прекоде).
Подсказка
Допишите код вывода первого изображения:
print("Класс первого изображения:", # < напишите код здесь >)
plt.imshow(features_train[0], cmap='gray')
import matplotlib.pyplot as plt
import numpy as np
features_train = np.load('/datasets/fashion_mnist/train_features.npy')
target_train = np.load('/datasets/fashion_mnist/train_target.npy')
features_test = np.load('/datasets/fashion_mnist/test_features.npy')
target_test = np.load('/datasets/fashion_mnist/test_target.npy')
print("Обучающая:", features_train.shape)
print("Тестовая:", features_test.shape)
print("Класс первого изображения:", target_train[0])
plt.imshow(features_train[0], cmap='gray')Результат
Обучающая: (60000, 28, 28)
Тестовая: (10000, 28, 28)
Класс первого изображения: 9
В обучающей выборке 60000 изображений размером 28x28, в тестовой — 10000. Класс изображения — 9, что соответствует Ankle boot (англ. «полуботинок») в нашей таблице. Эврика, датасет составлен верно: на изображении действительно ботинок! А если присмотреться, это даже кроссовка с автошнуровкой из фильма «Назад в будущее».