PyTorch - 13 - 深度学习中的数据（重要）-人工智能的时尚MNIST

Why Study A Dataset?

让我们开始思考以下问题：为什么我们应该花时间研究数据集。数据是深度学习的主要成分，尽管作为神经网络程序员的任务是让我们的神经网络从数据中学习，但我们仍然有责任了解我们实际用于训练的数据的性质和历史。

计算机程序通常由两个主要组件组成，即代码和数据。在传统编程中，程序员的工作是直接编写软件或代码，而在深度学习和神经网络中，可以说软件本身就是网络本身，尤其是网络在训练过程中自动产生的权重。

通过培训来监督和指导学习过程是程序员的工作。我们可以将其视为编写软件或代码的间接方式。通过使用数据和深度学习，神经网络程序员可以生成能够执行计算的软件，而无需编写代码来明确执行这些计算。

因此，数据在开发软件中的作用正在发生变化，我们很可能会看到软件开发人员的作用也在发生变化。

以数据为中心的注意事项：

• 谁创建了数据集？
• 数据集是如何创建的？
• 使用了哪些转换？
• 数据集有什么意图？
• 可能的意外后果？
• 数据集是否有偏见？
• 数据集是否存在道德问题？

在实践中，获取和访问数据通常是深度学习中最困难的部分，因此在我们浏览此特定数据集时，请记住这一点。注意我们在此处看到的一般概念和想法。

What Is The MNIST Dataset?

MNIST数据集（修改后的美国国家标准技术研究院数据库）是著名的手写数字数据集，通常用于训练用于机器学习的图像处理系统。 NIST代表国家标准技术研究所。

MNIST中的M代表已修改，因为这是因为原始NIST数字数据集已被修改为MNIST。

MNIST因使用数据集的频率而闻名。常见的原因有两个&#