导入本地的数据集-fashion-minist

文章目录

• 本文特此提供数据集的云盘下载链接——以方便学习使用
• 问题描述（声明一下，本博客采用包含keras的tensorflow包）
• 解决方法(建议至少运行过一次load_data()函数，创建需要的文件路径)
• 附上该入门练习的相关效果图
• 我的学习思路总结（仅供参考，若有错误，还望海涵）

 

<span style="color:#000000">        <strong> <span style="color:red">                QQ:3020889729                                                                                 小蔡</span></strong></span>

本文特此提供数据集的云盘下载链接——以方便学习使用

链接：https://pan.baidu.com/s/11H99EdcryFG-bxGXDgtGLA
提取码：jtp5
(提示：下载后，按照文中的解决方法操作即可)
只解压以下压缩文件，内含的其它文件无需解压——keras读取fashion数据集这样就可以了。如果是采用numpy构建网络以及数据处理，就需要解压读取使用，但是因为这里是直接使用keras，就不过多阐述了。

问题描述（声明一下，本博客采用包含keras的tensorflow包）

在使用以下语句时，执行报错——无法访问/访问超时/访问被拒绝。

<span style="color:#000000"><code>fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
</code></span>

• 1
• 2

但是，这里我们需要官方的数据集进行练习，就必须要进行下载数据的——既然通过load_data()默认下载不可以，那么我们不如通过本地下载，再放入指定文件中来解决问题呢。（思路没错，init.py等函数中也确实包含如果数据存在就不需要下载的函数体部分，但是我最后解决还是花了点时间的——好了，废话不多说，进入正题）

我们接下来的方法——就是通过本地下载数据集，然后放入指定路径进行存放，使得load_data()可以读取数据。

解决方法(建议至少运行过一次load_data()函数，创建需要的文件路径)

补充提示：可以在按照我的方法解决问题前，运行一次相应的load_data()函数，这样虽然不成功，但是会创建一个路径——这样下边的步骤就可以直接进行了。

当然你也可以不——只是需要在C盘根目录下创建对应的文件即可，但我想现在在查文档的你，已经遇到问题了，所以算唠叨一下吧。

1. 前往数据集下载网址直接下载需要的四个数据集。
   下载1: train-images-idx3-ubyte.gz
   下载2: train-labels-idx1-ubyte.gz
   下载3: t10k-images-idx3-ubyte.gz
   下载4: t10k-labels-idx1-ubyte.gz
2. 然后将数据集放入到C盘用户文件夹的.keras文件下的datasets目录里（不要解压哦）

具体如下：
1.点击C盘下的用户文件夹进入

2.点击30208文件夹（这是我的root文件夹）进入

3.进入.keras文件夹

4.再进入datasets

5.进入fashion-mnist文件夹——这里我们用fashion-mnist练习，所以将下载的数据集放进去这里
（如果是mnist数据集就需要放进mnist文件夹——这样的文件都是提前通过先使用keras的load_data()下载，虽然会失败，但是会留下一个空目录，就是我们下载到本地的数据集存放的地方。）

6.剪切数据存放

到这里，我们再引用load_data()，就不会有问题了，它会直接读取本地数据集。
也就是以下语句可以执行成功了。

<span style="color:#000000"><code>(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
</code></span>

• 1

如图：

附上该入门练习的相关效果图

我的学习思路总结（仅供参考，若有错误，还望海涵）

补充一下：一开始获取数据得到的拆包数据——都属于批处理类型的数据。

最后，附上官网教程：https://www.tensorflow.org/tutorials/keras/classification
个人觉得还是从官网入手学习可能会容易一些（因人而异）。
——预祝各位热爱人工智能的各位学习进步，越来越优秀