tensorflow MNIST 数据集

最新推荐文章于 2024-05-20 14:10:46 发布
最新推荐文章于 2024-05-20 14:10:46 发布
阅读量753 收藏 1
点赞数 1
分类专栏： # TensorFlow 文章标签： tensorflow MNIST
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/tz_zs/article/details/75810096
版权

____tz_zs

 

关于MNIST数据集的下载和更多介绍：

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

详解 MNIST 数据集

 

MNIST数据集的操作

这里介绍的是tensorflow提供的一个用来处理MNIST数据集的类，它将会自动的下载并转化MNIST数据的格式，便于初学者学习和练习。

# -*- coding: utf-8 -*-
"""
@author: tz_zs

MNIST数据集的操作
"""

from tensorflow.examples.tutorials.mnist import input_data

# 载入MNIST数据集
'''
第一次运行时，会先下载数据集
Successfully downloaded train-images-idx3-ubyte.gz 9912422 bytes.
Extracting /path/to/MNIST_data/train-images-idx3-ubyte.gz
Successfully downloaded train-labels-idx1-ubyte.gz 28881 bytes.
Extracting /path/to/MNIST_data/train-labels-idx1-ubyte.gz
Successfully downloaded t10k-images-idx3-ubyte.gz 1648877 bytes.
Extracting /path/to/MNIST_data/t10k-images-idx3-ubyte.gz
Successfully downloaded t10k-labels-idx1-ubyte.gz 4542 bytes.
Extracting /path/to/MNIST_data/t10k-labels-idx1-ubyte.gz
之后在运行则直接从文件夹提取
Extracting /path/to/MNIST_data/train-images-idx3-ubyte.gz
Extracting /path/to/MNIST_data/train-labels-idx1-ubyte.gz
Extracting /path/to/MNIST_data/t10k-images-idx3-ubyte.gz
Extracting /path/to/MNIST_data/t10k-labels-idx1-ubyte.gz
'''
mnist = input_data.read_data_sets("/path/to/MNIST_data/", one_hot=True)

print("Training data size: ", mnist.train.num_examples)  # Training data size:  55000
print("Validating data size: ", mnist.validation.num_examples)  # Validating data size:  5000
print("Testing data size: ", mnist.test.num_examples)  # Testing data size:  10000

print("Example training data: \n", mnist.train.images[0])
'''
Example training data:  
[ 0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.38039219  0.37647063
  0.3019608   0.46274513  0.2392157   0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.35294119  0.5411765
  0.92156869  0.92156869  0.92156869  0.92156869  0.92156869  0.92156869
  0.98431379  0.98431379  0.97254908  0.99607849  0.96078438  0.92156869
  0.74509805  0.08235294  0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.
  0.54901963  0.98431379  0.99607849  0.99607849  0.99607849  0.99607849
  0.99607849  0.99607849  0.99607849  0.99607849  0.99607849  0.99607849
  0.99607849  0.99607849  0.99607849  0.99607849  0.74117649  0.09019608
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.88627458  0.99607849  0.81568635
  0.78039223  0.78039223  0.78039223  0.78039223  0.54509807  0.2392157
  0.2392157   0.2392157   0.2392157   0.2392157   0.50196081  0.8705883
  0.99607849  0.99607849  0.74117649  0.08235294  0.          0.          0.
  0.          0.          0.          0.          0.          0.
  0.14901961  0.32156864  0.0509804   0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.13333334  0.83529419  0.99607849  0.99607849  0.45098042  0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.32941177  0.99607849  0.99607849  0.91764712  0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.32941177  0.99607849  0.99607849  0.91764712  0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.41568631  0.6156863   0.99607849  0.99607849  0.95294124  0.20000002
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.09803922  0.45882356  0.89411771
  0.89411771  0.89411771  0.99215692  0.99607849  0.99607849  0.99607849
  0.99607849  0.94117653  0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.26666668  0.4666667   0.86274517
  0.99607849  0.99607849  0.99607849  0.99607849  0.99607849  0.99607849
  0.99607849  0.99607849  0.99607849  0.55686277  0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.14509805  0.73333335  0.99215692
  0.99607849  0.99607849  0.99607849  0.87450987  0.80784321  0.80784321
  0.29411766  0.26666668  0.84313732  0.99607849  0.99607849  0.45882356
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.44313729
  0.8588236   0.99607849  0.94901967  0.89019614  0.45098042  0.34901962
  0.12156864  0.          0.          0.          0.          0.7843138
  0.99607849  0.9450981   0.16078432  0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.66274512  0.99607849  0.6901961   0.24313727  0.          0.
  0.          0.          0.          0.          0.          0.18823531
  0.90588242  0.99607849  0.91764712  0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.07058824  0.48627454  0.          0.          0.
  0.          0.          0.          0.          0.          0.
  0.32941177  0.99607849  0.99607849  0.65098041  0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.54509807  0.99607849  0.9333334   0.22352943  0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.
  0.82352948  0.98039222  0.99607849  0.65882355  0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.94901967  0.99607849  0.93725497  0.22352943  0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.
  0.34901962  0.98431379  0.9450981   0.33725491  0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.
  0.01960784  0.80784321  0.96470594  0.6156863   0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.01568628  0.45882356  0.27058825  0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.
  0.          0.          0.          0.          0.          0.          0.        ]
'''

print("Example training data label: ",
      mnist.train.labels[0])  # Example training data label:  [ 0.  0.  0.  0.  0.  0.  0.  1.  0.  0.]

# mnist.train.next_batch可以取出一部分数据作为一个batch
batch_size = 100
xs, ys = mnist.train.next_batch(batch_size)
print("X shape：", xs.shape)  # X shape： (100, 784)
print("Y shape: ", ys.shape)  # Y shape:  (100, 10)

 

 

 

 

 

tz_zs
关注
专栏目录
tensorflow基础教程中所用mnist数据集
07-07
tensorflow基础教程中所用mnist数据集，在线下载会出问题，最好采用以下步骤： # (1) 首先在当前项目下新建 MNIST_data # (2) http://yann.lecun.com/exdb/mnist/ 从该网址将4个附件全部下载 # (3) 载的四个文件...
MNIST_data.rar
07-31
MNIST数据集，手写数字数据集
mnist数据集下载——mnist数据集提供百度网盘下载地址
热门推荐
bigcindy的博客
05-05 3万+
mnist数据集是由深度学习大神 LeCun等人制作完成的数据集，mnist数据集也常认为是深度学习的“ Hello World！”。 官网：http://yann.lecun.com/exdb/mnist/ mnist数据集由6万张训练数据和1万张测试数据组成。 官网提供下载，但由于是国外的服务器，下载速度很慢。这里提供百度网盘下载地址： 链接：https://pan.baid...
MNIST数据集下载(自动下载)
创作高质量博文，分享知识，共同进步！
02-27 4348
🔥【MNIST数据集下载全攻略】🔥 在深度学习的道路上，MNIST数据集是你的第一步。🚀 利用PyTorch，轻松下载并探索这个经典的手写数字识别数据集！📚 在本博客中，你将了解MNIST的魅力，以及如何通过几行代码实现自动下载。💻 加入我们，一起探索数据科学的奥秘，成为AI大师！💥 #MNIST数据集 #PyTorch下载 #深度学习入门 #手写数字识别
MNIST_data.zip
06-25
深度学习初学者常见数据集 ，使用最广泛，适合跑RNN，CNN等多个模型的数据集
Tensorflow MNIST 数据集打包
04-18
在Tensorflow中，通常使用`tensorflow.contrib.learn`库的`input_data.read_data_sets()`函数来加载MNIST数据集。这个函数会自动下载并处理数据，但有时由于网络问题或其他原因可能无法成功下载。在这种情况下，将...
TensorFlow MNIST数据集下载脚本input_data.py
01-23
TensorFlow的官方文档里面，关于MNIST这个例子下载数据用的文件。 Tensorflow中文文档地址http://www.tensorfly.cn
MNIST_data 。
11-01
MNIST手写库，在使用tensorflow的一个例程MNIST的时候，可能在解压数据的时候出现问题，可以直接将这个文件解压到.py文件所在的文件夹。
MNIST.data.zip
05-09
mnist数据集提供学习及探讨，手写书记识别，用于简单的深度学习进行10种类别分类.
MNIST_data
11-26
MNIST_data 手写数据集，适合于初学者学习
mnist_data
08-12
mnist = input_data.read_data_sets('解压之后的路径/压缩包文件夹名', one_hot=True) import numpy as np import tensorflow as tf import matplotlib.pyplot as plt import input_data print('packs loaded') print('Download and Extract MNIST dataset') mnist = input_data.read_data_sets('data/MNIST_data', one_hot=True) print("type of 'mnist' is %s" % (type(mnist))) print('number of train data is %d' % (mnist.train.num_examples)) print("number of test data is %d" % (mnist.test.num_examples))
MNIST数据集
09-03
解压4个gz文件放到data文件夹下，可跳过train_mnist.py中的下载部分，分别是： 训练集图片 - 55000 张 训练图片, 5000 张 验证图片 训练集图片对应的数字标签 测试集图片 - 10000 张 图片 测试集图片对应的数字标签
本地下载MNIST手写数字识别数据集
最新发布
weixin_60359250的博客
05-20 1163
【代码】本地下载MNIST手写数字识别数据集。
tensorflow学习笔记（3） 初识MNIST手写数据集
Johnisjohn的博客
03-17 498
资料来源：《TensorFlow实战Google深度学习框架》 郑泽宇 梁博文 顾思宇 著 （第二版） 电子工业出版社 一、概念 MNIST手写数据集是著名的，入门的样例数据集。这个数据集里边有很多图片，每张图片都代表了0-9这十个数字中的任何一个，且数字都会出现在图片的正中央。每一张图片都是28*28大小的矩阵，这个矩阵中的每个元素的值都是0-1之间的小数，0代表完全的白色...
从官网下载/处理 MNIST 数据集，并构造CNN网络训练
Zhou_Yulong的博客
03-11 3582
（可以直接运行）从官网下载并处理MNIST数据集，并构造 CNN 网络进行训练
机器学习入门--MNIST（二）
sarsscofy的专栏
11-23 6834
最近在根据极客学院的TensorFlow的官方文档-“深入MNIST”学习并做成Demo，中间遇到一些问题，现整理如下，以免遗忘。 文档的这一章节先继续上一章节“MNIST机器学习入门”的内容，并对上一节介绍的代码进行了小部分的改进，然后引出卷积Demo，咱们这里也分两部分整理。 I 改进代码 1.准备MNIST数据集 2.做成input_data.py文件等 具体的请参考上一节
tensorflow处理mnist数据集
10-06
TensorFlow中处理MNIST数据集的方法是通过导入`input_data`模块来实现。首先，需要使用`read_data_sets`函数从指定路径下载并读取MNIST数据集。这个函数会将数据集转化为训练和测试神经网络时使用的格式。在读取数据...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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