深度学习-卷积神经网络-实例及代码0.9—MNIST数据集介绍、下载及基本操作

系列文章：

深度学习-卷积神经网络-实例及代码0.8—基于最小均方误差的线性判别函数参数拟合训练

 

1、MNIST数据集介绍

MNIST数据集是一个由手写数字图片构成的数据集，数字由0~9组成，图片大小为28*28

MNIST数据集包含训练集mnist.train和测试集mnist.test两部分

训练集mnist.train包含60000张图片，其中55000张训练用，5000张验证用

测试集mnist.test包含10000张图片，用于测试

 

2、MNIST数据集下载

第一种下载方式是直接去官网下载，Lecun MNIST数据集官方网址：

                                 http://yann.lecun.com/exdb/mnist/

页面包含以下四个文件包：

train-images-idx3-ubyte.gz:  training set images (9912422 bytes)，对应训练集图片
train-labels-idx1-ubyte.gz:  training set labels (28881 bytes)，对应训练集分类标签
t10k-images-idx3-ubyte.gz:   test set images (1648877 bytes)，对应测试集图片
t10k-labels-idx1-ubyte.gz:   test set labels (4542 bytes)，对应测试集分类标签

第二种下载方式是通过mnist数据集操作的python包，这个操作包已经包含在Tensorflow框架中

相关的Github项目地址：

                               tensorfow操作mnist数据集python包-Github

程序中导入input_data.py

执行mnist=input_data.read_data_sets('../../MNIST_data/', one_hot=True)读取数据集

如果在../../MNIST_data/路径下没有相关数据集，程序会自动下载MNIST数据集，如果已经有就不再下载了而直接读取数据

 

3、MNIST数据集基本操作代码

（1）获取MNIST数据集

（2）获取训练集/测试集图片数据及分类标签数据

（3）查看某个训练样本数据

（4）利用matplotlib.pyplot包图形化显示训练样本数据

代码实例项目Github地址（如果对你有所帮助，欢迎关注点赞~）：

                        https://github.com/firemonkeygit/DeepLearningTensorflowMNIST

参考MnistTest.py文件，经过调试可用

注意导入操作mnist数据集的python包和配置正确的数据集路径

输出结果为：

(55000, 784) (55000, 10)
(10000, 784) (10000, 10)
(5000, 784) (5000, 10)
[0.         0.         0.         0.         0.         0.
.....................(矩阵比较大，其他元素就不贴出来了) ]
[0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]

输出显示图片：（源代码解析见文末所附代码）

主要源代码文件MnistTest.py及说明如下：

from TensorflowTest.mnist import input_data
import tensorflow as tf
import matplotlib.pyplot as plt

# MNIST_data指的是存放数据的文件夹路径，one_hot=True 为采用one_hot的编码方式编码标签
mnist = input_data.read_data_sets('../../MNIST_data/', one_hot=True)

# load data
train_X = mnist.train.images
train_Y = mnist.train.labels
print(train_X.shape, train_Y.shape)   # 输出训练集样本和标签的大小
print(mnist.test.images.shape, mnist.test.labels.shape)
print(mnist.validation.images.shape, mnist.validation.labels.shape)

# 查看数据，例如训练集中第一个样本的内容和标签
print(train_X[0])       # 是一个包含784个元素且值在[0,1]之间的向量
print(train_Y[0])

# 图形化显示样本，输出训练集中前4个样本
fig, ax = plt.subplots(nrows=2, ncols=2, sharex='all', sharey='all')
ax = ax.flatten()
for i in range(4):
    img = train_X[i].reshape(28, 28)
    # ax[i].imshow(img,cmap='Greys')
    ax[i].imshow(img)
ax[0].set_xticks([])
ax[0].set_yticks([])
plt.tight_layout()
plt.show()