在前面几节中，我们了解了概率论和随机变量。为了将这一理论付诸实践，让我们介绍一下朴素贝叶斯分类器。这只使用概率基础知识来让我们执行数字分类。
学习就是做假设。如果我们想要对以前从未见过的新数据示例进行分类，我们必须对哪些数据示例彼此相似做出一些假设。朴素贝叶斯分类器是一种流行且非常清晰的算法，它假设所有特征彼此独立以简化计算。在本节中，我们将应用此模型来识别图像中的字符。
22.9.1。光学字符识别
MNIST ( LeCun et al. , 1998 )是广泛使用的数据集之一。它包含 60,000 张用于训练的图像和 10,000 张用于验证的图像。每个图像包含一个从 0 到 9 的手写数字。任务是将每个图像分类为相应的数字。
GluonMNIST在模块中提供了一个类data.vision来自动从 Internet 检索数据集。随后，Gluon 将使用已经下载的本地副本。train我们通过将参数的值分别设置为True或来指定我们是请求训练集还是测试集False。每个图像都是一个灰度图像，宽度和高度都是28具有形状（28,28,1). 我们使用自定义转换来删除最后一个通道维度。此外，数据集用无符号表示每个像素8位整数。我们将它们量化为二进制特征以简化问题。
data_transform = torchvision.transforms.Compose([
torchvision.transforms.ToTensor(),
lambda x: torch.floor(x * 255 / 128).squeeze(dim=0)
])
mnist_train = torchvision.datasets.MNIST(
root='./temp', train=True, transform=data_transform, download=True)
mnist_test = torchvision.datasets.MNIST(
root='./temp', train=False, transform=data_transform, download=True)
Downloading http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz to ./temp/MNIST/raw/train-images-idx3-ubyte.gz
0%| | 0/9912422 [00:00
Extracting ./temp/MNIST/raw/train-images-idx3-ubyte.gz to ./temp/MNIST/raw
Downloading http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz to ./temp/MNIST/raw/train-labels-idx1-ubyte.gz
0%| | 0/28881 [00:00
Extracting ./temp/MNIST/raw/train-labels-idx1-ubyte.gz to ./temp/MNIST/raw
Downloading http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz to ./temp/MNIST/raw/t10k-images-idx3-ubyte.gz
0%| | 0/1648877 [00:00
Extracting ./temp/MNIST/raw/t10k-images-idx3-ubyte.gz to ./temp/MNIST/raw
Downloading http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz to ./temp/MNIST/raw/t10k-labels-idx1-ubyte.gz
0%| | 0/4542 [00:00
Extracting ./temp/MNIST/raw/t10k-labels-idx1-ubyte.gz to ./temp/MNIST/raw
((train_images, train_labels), (
test_images, test_labels)) = tf.keras.datasets.mnist.load_data()
# Original pixel values of MNIST range from 0-255 (as the digits are stored as
# uint8). For this section, pixel values that are greater than 128 (in the
# original image) are converted to 1 and values that are less than 128 are
# converted to 0. See section 18.9.2 and 18.9.3 for why
train_images = tf.floor(tf.constant(train_images / 128, dtype = tf.float32))
test_images = tf.floor(tf.constant(test_images / 128, dtype = tf.float32))
train_labels = tf.constant(train_labels, dtype = tf.int32)
test_labels = tf.constant(test_labels, dtype = tf.int32)
我们可以访问一个特定的示例，其中包含图像和相应的标签。
我们的示例存储在此处的变量中image，对应于高度和宽度为28像素。
我们的代码将每个图像的标签存储为标量。它的类型是 32位整数。
label,
