mnist数据集图片提取出来

# -*- coding: UTF-8 -*-

# 把mnist数据集转成图片做测试,图片更为通用

import cv2
import os
from keras.datasets import mnist

import numpy as np
str_1 = 'mnisttrain'
str_2 = 'mnisttest'
if os.path.exists(str_1):
    os.mkdir(str_1)

if os.path.exists(str_2):
    os.mkdir(str_2)
#自动下载mnist数据集
(X_train, Y_train), (X_test, Y_test) = mnist.load_data()

for i in range(0, 59999):  # 迭代 0 到 59999 之间的数字
    fileName = "mnisttrain/"+ str(Y_train[i]) + "_" + str(i) + ".jpg"
    cv2.imwrite(fileName, X_train[i])

for i in range(0, 9999):  # 迭代 0 到 9999 之间的数字
    fileName = "mnisttest/"+ str(Y_test[i]) + "_" + str(i) + ".jpg"
    cv2.imwrite(fileName, X_test[i])

 

 

Matlab可以很好地处理MNIST数据集MNIST数据集是一个手写数字图像数据集,常用于机器学习领域的图像分类任务。 首先,我们需要导入MNIST数据集。可以通过Matlab的文件读写函数来读取MNIST数据集的图像和标签。图像数据集包含60000个训练样本和10000个测试样本,每个样本为28x28像素的灰度图像。标签数据集包含相应图像的数字标签。 接下来,我们可以使用Matlab的图像处理工具箱来预处理数据。对于MNIST数据集来说,一般需要将图像像素归一化到0-1的范围内,并且可以进行一些增强操作,如旋转、缩放等。这些步骤可以提高数据的可用性和模型的准确性。 然后,我们可以使用Matlab的机器学习工具箱来构建分类模型。可以选择适合的分类算法,如支持向量机、随机森林、K近邻等。还可以使用交叉验证和网格搜索等技术来选择最佳的模型超参数。 在模型训练完成后,我们可以使用Matlab的模型评估和预测功能来评估模型的准确性。可以计算模型的准确率、精确率、召回率等指标,进一步优化模型的性能。 最后,我们可以使用训练好的模型来预测新的手写数字图像。通过提取图像的特征并输入到模型中,可以得到相应的数字分类结果。 总的来说,Matlab提供了丰富的图像处理和机器学习功能,可以很方便地处理和分析MNIST数据集。通过使用Matlab的工具和函数,可以实现对MNIST数据集的预处理、建模和评估,从而实现对手写数字图像的分类任务。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值