def get_dataset(dataset_type = "training"):
"""
We will use only this one to get data in part2, which will be
a generic logistic regression model
@param dataset "training" or "test"
@returns standard X,Y or X
"""
X, Y = None, None
#1. Pobieramy obrazki i etykiety
images, labels = get_MNIST_dataset(range(10), dataset_type)
#2. Konwersja do X,Y (czyli wiersz to jeden przyklad, X - dwuwymiarowa macierz), Y po prostu przepisujemy
# hint : reshape, np.zeros, przez macierz mozna latwo iterowac w petli (for row in matrix)
#TODO: fill in
Y = labels
X = images.reshape((images.shape[0], images.shape[1]*images.shape[2]))
#for id, digit in enumerate(images):
# pl.imshow(digit, cmap=pl.cm.gray)
# X[id, :] = digit.reshape((digit.shape[0]*digit.shape[1],))
# if id % 1000 == 0: print "Converted ",id
# Czy da sie szybciej?
#3. Return X,Y
return X, Y
def MNIST_data():
"""
Pobieramy wszystkie obrazki 28x28 (indeksowane pierwszym wymiarem) oraz etykiety
Images jest 3-wymiarowa macierzy numpy.
Wiecej do samodzielnego wykonania bo jestesmy juz swietni w numpy i rysowaniu wykresow
"""
# Pobieramy macierze numpy z cyframi
# images[i,j,k] <=> piksel (j,k) z i-tego obrazka w zbiorze danych
images, labels = get_MNIST_dataset(range(10), "training") #pierwszy argument to
# a) Ilosc przykladow i rozmiary danych
print "Raw training data dimensions ", images.shape
print "Labels dimensions ",labels.shape
# b) Ile jest cyfr 2?
print "Counting 2 in training dataset ",len(filter(lambda x: x == 2, labels))
# c) Jaki jest sredni obrazek 2 ? (Usrednienie wszystkich macierzy ktore sa 2)
#1. Pobierzmy wszystkie dwojki, fajny sposob indeksowania
print labels == 2
only_2 = images[labels == 2, :, :]
print "Checking number of 2s ", only_2.shape
#2. TODO: Usrednienie (matrix.mean moze byc przydatne)
#3. TODO: narysowanie usrednionej cyfry (zobacz pl.imshow)
# d) Ostatnie - przetworzmy ostatnia cyfre do 1 wymiarowego wektora
vectorized = np.reshape(images[-1], newshape=(images[-1].shape[0]*images[-1].shape[1]))
print "Vectorized last digit ", vectorized
def get_dataset(dataset_type = "training"):
"""
We will use only this one to get data in part2, which will be
a generic logistic regression model
@param dataset "training" or "test"
@returns standard X,Y or X
"""
X, Y = None, None
#1. Pobieramy obrazki i etykiety
images, labels = get_MNIST_dataset(range(10), dataset_type)
#2. Konwersja do X,Y (czyli wiersz to jeden przyklad, X - dwuwymiarowa macierz), Y po prostu przepisujemy
# hint : reshape, np.zeros, przez macierz mozna latwo iterowac w petli (for row in matrix)
# hint2: (funkcja reshape)
#TODO: fill in
#3. Return X,Y
return X, Y
