深度学习入门——MNIST手写数字识别之数据集处理,下载和读入

1. MNIST数据集：

• 0~9的数字组成（故对于的神经网络输出层应该有10个神经元）
• 训练图像：6万张
• 测试图像：1万张
• 28*28像素的灰度图像（1通道），各像素值0~255之间
  

机器学习的问题也就是**学习（训练）和推理（预测）**的处理
对于神经网络，首先使用训练数据进行权重的参数学习，再利用学习到的参数，对输入数据进行分类

2.MNIST数据下载和读入

load_mnist.py

# coding: utf-8
try:
    import urllib.request
except ImportError:
    raise ImportError('You should use Python 3.x')
import os.path
import gzip
import pickle
import os
import numpy as np


url_base = 'http://yann.lecun.com/exdb/mnist/'
key_file = {
    '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__))
save_file = dataset_dir + "/mnist.pkl"

train_num = 60000
test_num = 10000
img_dim = (1, 28, 28)
img_size = 784


def _download(file_name):
    file_path = dataset_dir + "/" + file_name
    
    if os.path.exists(file_path):
        return

    print("Downloading " + file_name + " ... ")
    urllib.request.urlretrieve(url_base + file_name, file_path)
    print("Done")
    
def download_mnist():
    for v in key_file.values():
       _download(v)
        
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 _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)
    print("Done")
    
    return data
    
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():
    download_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']) 


if __name__ == '__main__':
    init_mnist()

mnist_read.py

import sys, os


sys.path.append(os.pardir) # 为了导入父目录中的文件而进行的设定。因为minist.py在dataset文件夹中，python无法跨目录进行直接
# 导入，故需要这个语句进行设定
# sys.path.append(os.pardir)语句实际上是把父目录《python深度学习入》门加入到sys.path（python的搜索模块的路径集中），从而
# 可以导入《python深度学习入》下的任何目录（包括dataset目录）中的任何文件

from dataset.mnist import load_mnist


# 第一次会花费几分钟，因为要下载minist数据集，需要接入网络。第二次及以后的调用，只需要读入保存本地的文件（pickle文件即可）
(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)

# 输出各种形状
print(x_train.shape) # (60000, 784)
print(t_train.shape) # (60000,)
print(x_train.shape) # （10000,784）
print(t_test.shape) # (10000,)

3. ys.path.append(os.pardir)* ：**

• python本身不支持跨目录调用文件
• 该语句的目的是为了将父目录加入到sys.path (python的搜索模块的路径)
• 使得python可以导入父目录下的任何目录中的任何文件
• 是一个设定语句

4. load_mnist函数以“（训练图像， 训练标签）， （测试图像， 测试标签）”形式返回读入的MNIST数据

5. load_mnist(normalize=True, flatten=True, one-hot-label=False)

• normalize：图像像素正规化成0.0~1.0，否则保持0-255
• flatten：是否展开图像变成一维数组（一列），一维数组则有784个元素（2828像素）。否则为128*28的三维数组
• one-hot-label：是否将标签保存为one-hot，仅正确的那个为1，其余都为0

6. python中包含有pickle功能，可以将程序的运行中的对象保存为pkl文件形式，如果加载保存过的pickle文件，则可以立刻复原运行中的对像。第一次下载了mnist数据，则会保存为pickle文件，下一次读入mnist数据时，则方便很多。