深度学习实战（十二）——Keras数据集的制作和加载

前言

在刚开始接触Keras时，相信大家都实践过诸如MNIST手写数据集、CIFAR系列数据集，这些数据集的特点是已经为用户打包封装好了数据。在Keras环境下只要load_data即可实现导入。但是实际情况是，为了某一个项目我们不可能总是找到相应的打包好的数据集供使用，这时候自己建立一个dataset就十分重要。然而针对这方面，官方手册给出的知道不是很明确；而在网上搜索相关内容，得到的答案也不是很通俗易懂，不太适合深度学习的初学者阅读，即使有现成的代码（如：github上），放在自己的运行环境下也不见得能用。下面我想为广大初学者介绍一下如何创建与导入自己的数据集，这样就不用拘泥于Kears提供的现成datasets来进行训练了。这里我们以captcha验证码识别项目为例。

第一步：寻找和建立样本

captcha本身提供了用户自定义验证码生成API，利用它，我们可以轻松的建立样本。样本数目不要太少，视项目具体情况而定（本项目一般50000个左右）。网上有很多资源关于如何用captcha生成*.png的验证码，这里就不再赘述。

第二步：为样本打好标签（LABEL）【1】

得到了样本后我们下面一步要做的就是给样本打标签。作为一个监督学习的项目，我们有义务告诉计算机什么样的结果是正确的，什么样的结果是错误的。如果说X_train为样本的话，我们这里要做的便是得到y_train。打标签的方法有很多，比如建立*.txt文件对应样本一一做标签。Concretely, 本项目中，captcha在随机生成验证码 的同时已经将相应验证码样本命名为了代表其含义的png文件前缀（下图所示），这非常利于我们做标签。