MNIST数据转化为numpy数组格式的详细步骤与讲解

mnist数据集的简介及下载

MNIST是一个非常有名的手写体数字识别数据集，在很多资料中，这个数据集都会被用作深度学习的入门样例。
数据集下载网址：http://yann.lecun.com/exdb/mnist/
一共可以下载四个文件

train-images-idx3-ubyte.gz (9912422 bytes)
train-labels-idx1-ubyte.gz (28881 bytes)
t10k-images-idx3-ubyte.gz (1648877 bytes)
t10k-labels-idx1-ubyte.gz (4542 bytes)

前两个分别是训练用的图片和标签，共60000组，后两个分别是测试用的图片和标签，共10000组。官网这样声明了他们存储数据的方式：

如图，对于标签文件，前8个地址存储的是样本信息，也就是说我们需要从脚标为0008的单元开始度数据，同样的，对于图像文件，需要从0016的单元开始数据。
换言之，标签文件是一个【60000,10】的数组，10是0到9的one—hot 格式
而图像文件是28*28=784维的向量，用来存放灰度信息。

mnist数据集的导入

首先，如何读取一个.gz文件呢？
我们可以利用pythongzip库的gzip.open()函数来打开数据包，而nmpy库提供了np.frombuffer()函数可以让我们将数据流中的内容转化成numpy数组

def _load_img(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")    
    with gzip.open(file_path, 'rb') as f:
            data = np.frombuffer(f.read(), np.uint8, offset=16)
    data = data.reshape(-1, img_size)#共image_siza=28*28列，-1为自适应行数
    print("Done")
    
    return data

同理，我们可以这样读入标签

def _load_label(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")
    with gzip.open(file_path, 'rb') as f:
            labels = np.frombuffer(f.read(), np.uint8, offset=8)
    print("Done")
    
    return labels

整体文件

为了方便以后对数据集的使用，现将读取操作完善，添加pickle文件以保存读取结果，详细解释见注释：

# coding: utf-8
import os.path
import gzip
import pickle
import os
import numpy as np

url_base = 'http://yann.lecun.com/exdb/mnist/'          #mnist官网，下载失败可以从此处下载，文件名见下方字典
key_file = {                                            #字典存储下载好的文件名
    'train_img':'train-images-idx3-ubyte.gz',
    'train_label':'train-labels-idx1-ubyte.gz',
    'test_img':'t10k-images-idx3-ubyte.gz',
    'test_label':'t10k-labels-idx1-ubyte.gz'
}

dataset_dir = os.path.dirname(os.path.abspath(__file__))#os.path.abspath(__file__)返回此片代码绝对路径，os.path.dirname（）返回此路径文件的目录
save_file = dataset_dir + "/mnist.pkl"

train_num = 60000                                       #mnist数据集共60000个数据用于训练，10000个数据用于测试
test_num = 10000
img_size = 784

def _load_img(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")    
    with gzip.open(file_path, 'rb') as f:
            data = np.frombuffer(f.read(), np.uint8, offset=16)
    data = data.reshape(-1, img_size)#共image_siza=28*28列，-1为自适应行数
    print("Done")
    
    return data

def _load_label(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")
    with gzip.open(file_path, 'rb') as f:
            labels = np.frombuffer(f.read(), np.uint8, offset=8)
    print("Done")
    
    return labels

def _convert_numpy():
    dataset = {}
    dataset['train_img'] =  _load_img(key_file['train_img'])
    dataset['train_label'] = _load_label(key_file['train_label'])    
    dataset['test_img'] = _load_img(key_file['test_img'])
    dataset['test_label'] = _load_label(key_file['test_label'])
    
    return dataset

def init_mnist():
    dataset = _convert_numpy()
    print("Creating pickle file ...")
    with open(save_file, 'wb') as f:
        pickle.dump(dataset, f, -1)
    print("Done!")

def _change_one_hot_label(X):
    T = np.zeros((X.size, 10))
    for idx, row in enumerate(T):
        row[X[idx]] = 1
        
    return T

def load_mnist(normalize=True, flatten=True, one_hot_label=False):
    """读入MNIST数据集
    
    Parameters
    ----------
    normalize : 将图像的像素值正规化为0.0~1.0
    one_hot_label : 
        one_hot_label为True的情况下，标签作为one-hot数组返回
        one-hot数组是指[0,0,1,0,0,0,0,0,0,0]这样的数组
    flatten : 是否将图像展开为一维数组
    
    Returns
    -------
    (训练图像, 训练标签), (测试图像, 测试标签)
    """
    if not os.path.exists(save_file):
        init_mnist()
        
    with open(save_file, 'rb') as f:
        dataset = pickle.load(f)
    
    if normalize:
        for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].astype(np.float32)
            dataset[key] /= 255.0
            
    if one_hot_label:
        dataset['train_label'] = _change_one_hot_label(dataset['train_label'])
        dataset['test_label'] = _change_one_hot_label(dataset['test_label'])
    
    if not flatten:
         for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].reshape(-1, 1, 28, 28)

    return (dataset['train_img'], dataset['train_label']), (dataset['test_img'], dataset['test_label']) 

(x_train,t_train),(x_test,t_test) = load_mnist(flatten=False,normalize=False)
print(x_train[0])