使用PIL将mnist手写数字显示（《深度学习入门：基于Python的理论与实现》实践笔记）

一、将mnist数据集导入numpy数组

这里使用load_mnist函数将mnist数据集导入numpy数组，这个函数可以看本人的另一篇文章：将MNIST手写数字数据集导入NumPy数组（《深度学习入门：基于Python的理论与实现》实践笔记）

(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)

二、取其中一张图片数据数组传入fromarray函数并显示图片

img = x_train[5438]  # 数据集中第5438张图片
label = t_train[5438]  # 数据集中第5438张图片的数字
print(label)  # 输出图片的数字
img = img.reshape(28, 28)  # 转变为28×28的数组
pil_img = PIL.Image.fromarray(np.uint8(img))  # fromarray函数将array转换成image
pil_img.show()  # 显示图片

• fromarray函数可以将array数组转化为image图片

三、完整程序（可直接运行）

import urllib.request
import gzip
import numpy as np
import os
import pickle
from PIL import Image


def load_mnist(normalize=True, flatten=True, one_hot_label=False):
    # 用dataset字典保存由4个文件读取得到的np数组
    dataset = {}
    # 若不存在pkl文件，下载文件导入numpy数组，并生成pkl文件
    if not os.path.exists('mnist.pkl'):
        # MNIST数据集的4个文件
        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'
        }
        # 下载文件并导入numpy数组
        for _ in key_file.keys():
            print('Downloading ' + key_file[_] + '...')
            urllib.request.urlretrieve('http://yann.lecun.com/exdb/mnist/' + key_file[_], key_file[_])  # 下载文件
            print('Download finished!')
            # 用二进制只读方式打开.gz文件
            with gzip.open(key_file[_], 'rb') as f:
                # img文件前16个字节不是img数据，跳过读取；label文件前8个不是label数据，跳过读取
                dataset[_] = np.frombuffer(f.read(), np.uint8,
                                           offset=16 if _ == 'train_img' or _ == 'test_img' else 8)
                if _ == 'train_img' or _ == 'test_img':
                    dataset[_] = dataset[_].reshape(-1, 1, 28, 28)
        # 生成mnist.pkl
        print('Creating pickle file ...')
        with open('mnist.pkl', 'wb') as f:
            pickle.dump(dataset, f, -1)
        print('Create finished!')
    # 若存在pkl文件，把pkl文件内容导入numpy数组
    else:
        with open('mnist.pkl', 'rb') as f:
            dataset = pickle.load(f)
    # 标准化处理
    if normalize:
        for _ in ('train_img', 'test_img'):
            dataset[_] = dataset[_].astype(np.float32) / 255.0
    # one_hot_label处理
    if one_hot_label:
        for _ in ('train_label', 'test_label'):
            t = np.zeros((dataset[_].size, 10))
            for idx, row in enumerate(t):
                row[dataset[_][idx]] = 1
            dataset[_] = t
    # 展平处理
    if flatten:
        for _ in ('train_img', 'test_img'):
            dataset[_] = dataset[_].reshape(-1, 784)
    # 返回np数组
    return (dataset['train_img'], dataset['train_label']), (dataset['test_img'], dataset['test_label'])


if __name__ == '__main__':
    (x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)
    img = x_train[5438]  # 数据集中第5438张图片
    label = t_train[5438]  # 数据集中第5438张图片的数字
    print(label)  # 输出图片的数字
    img = img.reshape(28, 28)  # 转变为28×28的数组
    pil_img = Image.fromarray(np.uint8(img))  # fromarray函数将array转换成image
    pil_img.show()  # 显示图片

---

本实例来自于，由[日]斋藤康毅所著的《深度学习入门：基于Python的理论与实现》。