.. _sec_fashion_mnist:

İmge Sınıflandırma Veri Kümesi
==============================


İmge sınıflandırması için yaygın olarak kullanılan veri kümelerinden
biri MNIST veri kümesidir :cite:`LeCun.Bottou.Bengio.ea.1998`. Bir
kıyaslama veri kümesi olarak iyi bir çalışma gerçekleştirmiş olsa da,
günümüz standartlarına göre basit modeller bile %95'in üzerinde
sınıflandırma doğruluğu elde ettiğinden daha güçlü modeller ile daha
zayıf olanları ayırt etmek için uygun değildir. Bugün, MNIST bir
kıyaslama ölçütü olmaktan çok makullük (sanity) kontrolü işlevi görüyor.
Biraz daha ileriye gitmek için, önümüzdeki bölümlerdeki tartışmamızı
niteliksel olarak benzer, ancak nispeten karmaşık olan 2017'de piyasaya
sürülen Fashion-MNIST veri kümesine odaklayacağız
:cite:`Xiao.Rasul.Vollgraf.2017`.



.. raw:: html

     <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar code"><a href="#mxnet-1-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-1-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-1-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

     <div class="mdl-tabs__panel is-active" id="mxnet-1-0">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    %matplotlib inline
    import sys
    from d2l import mxnet as d2l
    from mxnet import gluon
    
    d2l.use_svg_display()



.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="pytorch-1-1">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    %matplotlib inline
    import torch
    import torchvision
    from torch.utils import data
    from torchvision import transforms
    from d2l import torch as d2l
    
    d2l.use_svg_display()



.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="tensorflow-1-2">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    %matplotlib inline
    import tensorflow as tf
    from d2l import tensorflow as d2l
    
    d2l.use_svg_display()



.. raw:: html

     </div>



.. raw:: html

     </div>

Veri Kümesini Okuma
-------------------

Fashion-MNIST veri kümesini çerçevemizdeki yerleşik işlevler
aracılığıyla indirebilir ve belleğe okuyabiliriz.



.. raw:: html

     <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar code"><a href="#mxnet-3-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-3-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-3-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

     <div class="mdl-tabs__panel is-active" id="mxnet-3-0">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    mnist_train = gluon.data.vision.FashionMNIST(train=True)
    mnist_test = gluon.data.vision.FashionMNIST(train=False)



.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="pytorch-3-1">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    # 'ToTensor', imge verilerini PIL türünden 32 bit kayan virgüllü sayı tensörlerine
    # dönüştürür. Tüm sayıları 255'e böler, böylece tüm piksel değerleri 0 ile 1 arasında olur.
    trans = transforms.ToTensor()
    mnist_train = torchvision.datasets.FashionMNIST(
        root="../data", train=True, transform=trans, download=True)
    mnist_test = torchvision.datasets.FashionMNIST(
        root="../data", train=False, transform=trans, download=True)



.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="tensorflow-3-2">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    mnist_train, mnist_test = tf.keras.datasets.fashion_mnist.load_data()



.. raw:: html

     </div>



.. raw:: html

     </div>

Fashion-MNIST, her biri eğitim veri kümesinde 6000 görsel ve test veri
kümesinde 1000 görsel ile temsil edilen 10 kategorideki görsellerden
oluşur. Eğitim için değil, model performansını değerlendirmek için bir
*test veri kümesi* (veya *test kümesi*) kullanılır.



.. raw:: html

     <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar code"><a href="#mxnet-5-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-5-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-5-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

     <div class="mdl-tabs__panel is-active" id="mxnet-5-0">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    len(mnist_train), len(mnist_test)




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    (60000, 10000)





.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="pytorch-5-1">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    len(mnist_train), len(mnist_test)




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    (60000, 10000)





.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="tensorflow-5-2">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    len(mnist_train[0]), len(mnist_test[0])




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    (60000, 10000)





.. raw:: html

     </div>



.. raw:: html

     </div>

Her girdi imgesinin yüksekliği ve genişliği 28 pikseldir. Veri
kümesinin, kanal sayısı 1 olan gri tonlamalı görsellerden oluştuğuna
dikkat edin. Kısaca, bu kitapta yüksekliği :math:`h` genişliği :math:`w`
piksel olan herhangi bir imgenin şekli :math:`h \times w` veya
(:math:`h`, :math:`w`)'dir.



.. raw:: html

     <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar code"><a href="#mxnet-7-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-7-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-7-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

     <div class="mdl-tabs__panel is-active" id="mxnet-7-0">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    mnist_train[0][0].shape




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    (28, 28, 1)





.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="pytorch-7-1">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    mnist_train[0][0].shape




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    torch.Size([1, 28, 28])





.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="tensorflow-7-2">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    mnist_train[0][0].shape




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    (28, 28)





.. raw:: html

     </div>



.. raw:: html

     </div>

Fashion-MNIST'teki görseller şu kategorilerle ilişkilidir: Tişört,
pantolon, kazak, elbise, ceket, sandalet, gömlek, spor ayakkabı, çanta
ve ayak bileği hizası bot. Aşağıdaki işlev, sayısal etiket indeksleri ve
metindeki adları arasında dönüştürme yapar.

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    def get_fashion_mnist_labels(labels):  #@save
        """Fashion-MNIST veri kümesi için metin etiketleri döndürün."""
        text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
                       'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
        return [text_labels[int(i)] for i in labels]

Şimdi bu örnekleri görselleştirmek için bir işlev oluşturabiliriz.



.. raw:: html

     <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar code"><a href="#mxnet-11-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-11-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-11-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

     <div class="mdl-tabs__panel is-active" id="mxnet-11-0">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5):  #@save
        """Görsellerin bir listesini çizin"""
        figsize = (num_cols * scale, num_rows * scale)
        _, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
        axes = axes.flatten()
        for i, (ax, img) in enumerate(zip(axes, imgs)):
            ax.imshow(img.asnumpy())
            ax.axes.get_xaxis().set_visible(False)
            ax.axes.get_yaxis().set_visible(False)
            if titles:
                ax.set_title(titles[i])
        return axes



.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="pytorch-11-1">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5):  #@save
        """Görsellerin bir listesini çizin"""
        figsize = (num_cols * scale, num_rows * scale)
        _, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
        axes = axes.flatten()
        for i, (ax, img) in enumerate(zip(axes, imgs)):
            if torch.is_tensor(img):
                # Tensor Image
                ax.imshow(img.numpy())
            else:
                # PIL Image
                ax.imshow(img)
            ax.axes.get_xaxis().set_visible(False)
            ax.axes.get_yaxis().set_visible(False)
            if titles:
                ax.set_title(titles[i])
        return axes



.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="tensorflow-11-2">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5):  #@save
        """Görsellerin bir listesini çizin"""
        figsize = (num_cols * scale, num_rows * scale)
        _, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
        axes = axes.flatten()
        for i, (ax, img) in enumerate(zip(axes, imgs)):
            ax.imshow(img.numpy())
            ax.axes.get_xaxis().set_visible(False)
            ax.axes.get_yaxis().set_visible(False)
            if titles:
                ax.set_title(titles[i])
        return axes



.. raw:: html

     </div>



.. raw:: html

     </div>

Eğitim veri kümesindeki ilk birkaç örnek için görseller ve bunlara
karşılık gelen etiketler (metin olarak) aşağıdadır.



.. raw:: html

     <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar code"><a href="#mxnet-13-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-13-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-13-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

     <div class="mdl-tabs__panel is-active" id="mxnet-13-0">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    X, y = mnist_train[:18]
    
    print(X.shape)
    show_images(X.squeeze(axis=-1), 2, 9, titles=get_fashion_mnist_labels(y));


.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    (18, 28, 28, 1)



.. figure:: output_image-classification-dataset_e45669_65_1.svg




.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="pytorch-13-1">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
    show_images(X.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y));



.. figure:: output_image-classification-dataset_e45669_68_0.svg




.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="tensorflow-13-2">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    X = tf.constant(mnist_train[0][:18])
    y = tf.constant(mnist_train[1][:18])
    show_images(X, 2, 9, titles=get_fashion_mnist_labels(y));



.. figure:: output_image-classification-dataset_e45669_71_0.svg




.. raw:: html

     </div>



.. raw:: html

     </div>

Minigrup Okuma
--------------

Eğitim ve test kümelerinden okurken hayatımızı kolaylaştırmak için
sıfırdan bir tane oluşturmak yerine yerleşik veri yineleyiciyi
kullanıyoruz. Her yinelemede, bir yineleyicinin her seferinde grup
(``batch_size``) boyutundaki bir veri minigrubunu okuduğunu hatırlayın.
Ayrıca eğitim verisi yineleyicisi için örnekleri rastgele
karıştırıyoruz.



.. raw:: html

     <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar code"><a href="#mxnet-15-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-15-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-15-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

     <div class="mdl-tabs__panel is-active" id="mxnet-15-0">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    batch_size = 256
    
    def get_dataloader_workers():  #@save
        """Windows dışında, verileri okumak için 4 işlem kullanın."""
        return 0 if sys.platform.startswith('win') else 4
    
    # 'ToTensor', görsel verilerini uint8'den 32-bit kayan virgüllü sayıya dönüştürür.
    # Tüm sayıları 255'e böler, böylece tüm piksel değerleri 0 ile 1 arasında olur.
    transformer = gluon.data.vision.transforms.ToTensor()
    train_iter = gluon.data.DataLoader(mnist_train.transform_first(transformer),
                                       batch_size, shuffle=True,
                                       num_workers=get_dataloader_workers())



.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="pytorch-15-1">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    batch_size = 256
    
    def get_dataloader_workers():  #@save
        """Verileri okumak için 4 işlem kullanın."""
        return 4
    
    train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True,
                                 num_workers=get_dataloader_workers())



.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="tensorflow-15-2">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    batch_size = 256
    train_iter = tf.data.Dataset.from_tensor_slices(
        mnist_train).batch(batch_size).shuffle(len(mnist_train[0]))



.. raw:: html

     </div>



.. raw:: html

     </div>

Eğitim verilerini okurken geçen süreye bakalım.



.. raw:: html

     <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar code"><a href="#mxnet-17-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-17-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-17-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

     <div class="mdl-tabs__panel is-active" id="mxnet-17-0">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    timer = d2l.Timer()
    for X, y in train_iter:
        continue
    f'{timer.stop():.2f} sec'




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    '1.90 sec'





.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="pytorch-17-1">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    timer = d2l.Timer()
    for X, y in train_iter:
        continue
    f'{timer.stop():.2f} sec'




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    '2.25 sec'





.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="tensorflow-17-2">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    timer = d2l.Timer()
    for X, y in train_iter:
        continue
    f'{timer.stop():.2f} sec'




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    '0.29 sec'





.. raw:: html

     </div>



.. raw:: html

     </div>

Her Şeyi Bir Araya Getirme
--------------------------

Şimdi Fashion-MNIST veri kümesini alan ve okuyan
``load_data_fashion_mnist`` fonksiyonunu tanımlıyoruz. Hem eğitim kümesi
hem de geçerleme kümesi için veri yineleyicileri döndürür. Ek olarak,
imgeleri başka bir şekle yeniden boyutlandırmak için isteğe bağlı bir
argüman kabul eder.



.. raw:: html

     <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar code"><a href="#mxnet-19-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-19-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-19-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

     <div class="mdl-tabs__panel is-active" id="mxnet-19-0">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    def load_data_fashion_mnist(batch_size, resize=None):  #@save
        """Fashion-MNIST veri kümesini indirin ve ardından belleğe yükleyin."""
        dataset = gluon.data.vision
        trans = [dataset.transforms.ToTensor()]
        if resize:
            trans.insert(0, dataset.transforms.Resize(resize))
        trans = dataset.transforms.Compose(trans)
        mnist_train = dataset.FashionMNIST(train=True).transform_first(trans)
        mnist_test = dataset.FashionMNIST(train=False).transform_first(trans)
        return (gluon.data.DataLoader(mnist_train, batch_size, shuffle=True,
                                      num_workers=get_dataloader_workers()),
                gluon.data.DataLoader(mnist_test, batch_size, shuffle=False,
                                      num_workers=get_dataloader_workers()))



.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="pytorch-19-1">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    def load_data_fashion_mnist(batch_size, resize=None):  #@save
        """Fashion-MNIST veri kümesini indirin ve ardından belleğe yükleyin."""
        trans = [transforms.ToTensor()]
        if resize:
            trans.insert(0, transforms.Resize(resize))
        trans = transforms.Compose(trans)
        mnist_train = torchvision.datasets.FashionMNIST(
            root="../data", train=True, transform=trans, download=True)
        mnist_test = torchvision.datasets.FashionMNIST(
            root="../data", train=False, transform=trans, download=True)
        return (data.DataLoader(mnist_train, batch_size, shuffle=True,
                                num_workers=get_dataloader_workers()),
                data.DataLoader(mnist_test, batch_size, shuffle=False,
                                num_workers=get_dataloader_workers()))



.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="tensorflow-19-2">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    def load_data_fashion_mnist(batch_size, resize=None):   #@save
        """Fashion-MNIST veri kümesini indirin ve ardından belleğe yükleyin."""
        mnist_train, mnist_test = tf.keras.datasets.fashion_mnist.load_data()
        # Tüm piksel değerleri 0 ile 1 arasında olacak şekilde tüm sayıları 255'e bölün,
        # en sonunda bir grup boyutu ekleyin. Ayrıca etiketi int32'ye çevirin.
        process = lambda X, y: (tf.expand_dims(X, axis=3) / 255,
                                tf.cast(y, dtype='int32'))
        resize_fn = lambda X, y: (
            tf.image.resize_with_pad(X, resize, resize) if resize else X, y)
        return (
            tf.data.Dataset.from_tensor_slices(process(*mnist_train)).batch(
                batch_size).shuffle(len(mnist_train[0])).map(resize_fn),
            tf.data.Dataset.from_tensor_slices(process(*mnist_test)).batch(
                batch_size).map(resize_fn))



.. raw:: html

     </div>



.. raw:: html

     </div>

Aşağıda, ``resize`` bağımsız değişkenini belirterek
``load_data_fashion_mnist`` işlevinin görseli yeniden boyutlandırma
özelliğini test ediyoruz.



.. raw:: html

     <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar code"><a href="#mxnet-21-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-21-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-21-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

     <div class="mdl-tabs__panel is-active" id="mxnet-21-0">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    train_iter, test_iter = load_data_fashion_mnist(32, resize=64)
    for X, y in train_iter:
        print(X.shape, X.dtype, y.shape, y.dtype)
        break


.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    (32, 1, 64, 64) <class 'numpy.float32'> (32,) <class 'numpy.int32'>




.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="pytorch-21-1">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    train_iter, test_iter = load_data_fashion_mnist(32, resize=64)
    for X, y in train_iter:
        print(X.shape, X.dtype, y.shape, y.dtype)
        break


.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    torch.Size([32, 1, 64, 64]) torch.float32 torch.Size([32]) torch.int64




.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="tensorflow-21-2">

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    train_iter, test_iter = load_data_fashion_mnist(32, resize=64)
    for X, y in train_iter:
        print(X.shape, X.dtype, y.shape, y.dtype)
        break


.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    (32, 64, 64, 1) <dtype: 'float32'> (32,) <dtype: 'int32'>




.. raw:: html

     </div>



.. raw:: html

     </div>

Artık ilerleyen bölümlerde Fashion-MNIST veri kümesiyle çalışmaya
hazırız.

Özet
----

-  Fashion-MNIST, 10 kategoriyi temsil eden resimlerden oluşan bir giyim
   sınıflandırma veri kümesidir. Bu veri kümesini, çeşitli sınıflandırma
   algoritmalarını değerlendirmek için sonraki bölümlerde kullanacağız.
-  Yüksekliği :math:`h` genişliği :math:`w` piksel olan herhangi bir
   imgenin şeklini :math:`h \times w` veya (:math:`h`, :math:`w`) olarak
   saklarız.
-  Veri yineleyiciler, verimli performans için önemli bir bileşendir.
   Eğitim döngünüzü yavaşlatmaktan kaçınmak için yüksek performanslı
   hesaplamalardan yararlanan iyi uygulanmış veri yineleyicilerine
   güvenin.

Alıştırmalar
------------

1. ``batch_size`` değerini (örneğin 1'e) düşürmek okuma performansını
   etkiler mi?
2. Veri yineleyici performansı önemlidir. Mevcut uygulamanın yeterince
   hızlı olduğunu düşünüyor musunuz? İyileştirmek için çeşitli
   seçenekleri keşfediniz.
3. Çerçevenin çevrimiçi API belgelerine bakın. Başka hangi veri kümeleri
   mevcuttur?



.. raw:: html

     <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar text"><a href="#mxnet-23-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-23-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-23-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

     <div class="mdl-tabs__panel is-active" id="mxnet-23-0">

`Tartışmalar <https://discuss.d2l.ai/t/48>`__



.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="pytorch-23-1">

`Tartışmalar <https://discuss.d2l.ai/t/49>`__



.. raw:: html

     </div>



.. raw:: html

     <div class="mdl-tabs__panel " id="tensorflow-23-2">

`Tartışmalar <https://discuss.d2l.ai/t/224>`__



.. raw:: html

     </div>



.. raw:: html

     </div>