MNIST手写数字识别_数据读取02

MNIST手写数字识别_数据读取

基于已经下载好本地数据集或是通过keras成功导入数据集：

1.本地数据集

# 导入数据
mnist = input_data.read_data_sets('D:\pythonProject1\MNIST\MNIST_data',one_hot=True)
#路径为存储MNIST数据集的地址
#one_hot=True 设置热编码

One-Hot编码，又称为一位有效编码，主要是采用位状态寄存器来对个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。独热编码 是利用0和1表示一些参数，使用N位状态寄存器来对N个状态进行编码。
如本程序中对MNIST便签的热编码：
0，1，2，3，4，5，6，7，8，9的热编码

由于该数据集预先分割了训练数据集和测试数据集，我们仅需输入以下代码即可：

train_X = mnist.train.images
train_Y = mnist.train.labels
test_X = mnist.test.images
test_Y = mnist.test.labels
print(train_X.shape, train_Y.shape) # (55000, 784) (55000, 10)
print(test_X.shape, test_Y.shape) # (10000, 784) (10000, 10)

训练图片为55000张，28×28，训练标签为55000个，热编码为10位数字。
测试图片为10000张，28×28，测试标签为10000个，热编码为10位数字。

显示出第一个图片和标签及其数据类型：

print(train_X[0],type(train_X)) # <class 'numpy.ndarray'>
print(train_Y[0],type(train_Y)) # <class 'numpy.ndarray'>

numpy.ndarray:用于存放同类型的一个多维数组对象，每一个元素在内存中都具有相同大小的存储空间。

显示4张训练集的手写数字图片：

img = train_X[0].reshape(28, 28)  # 转换图片格式
plt.subplot(221)  # 图片布局为两行两列的第一个
plt.imshow(img, cmap='Greys')  # camp='Greys'转换为灰度图片

img = train_X[1].reshape(28, 28)
plt.subplot(222)
plt.imshow(img, cmap='Greys')

img = train_X[2].reshape(28, 28)
plt.subplot(223)
plt.imshow(img, cmap='Greys')

img = train_X[3].reshape(28, 28)
plt.subplot(224)
plt.imshow(img, cmap='Greys')
plt.show()

结果展示：

完整代码：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
import numpy as np
# 导入数据
mnist = input_data.read_data_sets('D:\pythonProject1\MNIST\MNIST_data',one_hot=True)

train_X = mnist.train.images
train_Y = mnist.train.labels
test_X = mnist.test.images
test_Y = mnist.test.labels
print(train_X.shape, train_Y.shape) 
print(test_X.shape, test_Y.shape) 

print(train_X[0],type(train_X))
print(train_Y[0],type(train_Y))

img = train_X[0].reshape(28, 28)
plt.subplot(221)
plt.imshow(img, cmap='Greys')

img = train_X[1].reshape(28, 28)
plt.subplot(222)
plt.imshow(img, cmap='Greys')

img = train_X[2].reshape(28, 28)
plt.subplot(223)
plt.imshow(img, cmap='Greys')

img = train_X[3].reshape(28, 28)
plt.subplot(224)
plt.imshow(img, cmap='Greys')
plt.show()

2.keras导入数据集

完整代码：

from keras.datasets import mnist
import matplotlib.pyplot as plt
import numpy as np
# 导入数据
(train_X, train_Y), (test_X, test_Y) = mnist.load_data()

plt.subplot(221)
plt.imshow(img, cmap='Greys')

plt.subplot(222)
plt.imshow(img, cmap='Greys')

plt.subplot(223)
plt.imshow(img, cmap='Greys')

plt.subplot(224)
plt.imshow(img, cmap='Greys')
plt.show()