Mnist數據集已經是一個被"嚼爛"了的數據集了,很多關於神經網絡的教程都會對它下手。因此在開始深度學習之前,先對這個數據集介紹一下。
Mnist數據集圖片格式介紹
Mnist數據集分爲兩部分,分別含有60000張訓練圖片和10000張測試圖片。
每一張圖片包含28*28個像素。Mnist數據集把代表一張圖片的二維數據轉開成一個向量,長度爲28*28=784。因此在Mnist的訓練數據集中mnist.train.images是一個形狀爲[60000, 784]的張量,第一個維度數字用來索引圖片,第二個維度數字用來索引每張圖片中的像素點,圖片裏的某個像素的強度值介於0-1之間。
Mnist數據集標籤格式介紹--------獨熱編碼
Mnist數據集中的標籤是介於0~9的數字,Mnist中的標籤是用獨熱編碼(one-hot-vectors)表示的,一個one-hot向量除了某一位數字是1以外,其餘維度的數組都是0,比如標籤0用獨熱編碼表示爲([1, 0, 0, 0, 0, 0, 0, 0, 0, 0]),標籤3用獨熱編碼表示爲([0, 0, 0, 1, 0, 0, 0, 0, 0, 0])。所以,Mnist數據集中所有的標籤mnist.train.labels是一個[60000, 10]的數字矩陣。
手動提取Mnist數據集圖片
如果直接下載該數據集的話,下載下來的是.gz格式的數據,如下圖所示:
使用tensorflow是可以直接加載該數據的,但是是按照張量的格式加載的,就是說你看不到這些圖片到底是長什麼樣子的。下面就要介紹一下如何手動提取Mnist數據集中的圖片,並把它按照常用的格式存儲。
在代碼中用到了兩個第三方的包,分別爲tensorflow、PIL。如何你是用的我之前推薦的Anaconda來管理你的Python環境的話,那麼安裝這兩個包就非常的簡單了。使用下面的命令即可安裝:
conda install tensorflow-gpu
conda install Pillow
提取的代碼寫成了函數def的形式,可以非常簡單的調用。下面是提取訓練數據的代碼:
#coding: utf-8
import os
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from PIL import Image
'''
函數功能:按照bmp格式提取mnist數據集中的圖片
參數介紹:
mnist_dir mnist數據集存儲的路徑
save_dir 提取結果存儲的目錄
'''
def extract_mnist(mnist_dir, save_dir):
rows = 28
cols = 28
# 加載mnist數據集
# one_hot = True爲默認打開"獨熱編碼"
mnist = input_data.read_data_sets(mnist_dir, one_hot=False)
# 獲取訓練圖片數量
shape = mnist.train.images.shape
images_train_count = shape[0]
pixels_count_per_image = shape[1]
# 獲取訓練標籤數量=訓練圖片數量
# 關閉"獨熱編碼"後,labels的類型爲[7 3 4 ... 5 6 8]
labels = mnist.train.labels
labels_train_count = labels.shape[0]
if (images_train_count == labels_train_count):
print("訓練集共包含%d張圖片,%d個標籤" % (images_train_count, labels_train_count))
print("每張圖片包含%d個像素" % (pixels_count_per_image))
print("數據類型爲", mnist.train.images.dtype)
# mnist圖像數值的範圍爲[0,1], 需將其轉換爲[0,255]
for current_image_id in range(images_train_count):
for i in range(pixels_count_per_image):
if mnist.train.images[current_image_id][i] != 0:
mnist.train.images[current_image_id][i] = 255
if ((current_image_id + 1) % 50) == 0:
print("已轉換%d張,共需轉換%d張" %
(current_image_id + 1, images_train_count))
# 創建train images的保存目錄, 按標籤保存
for i in range(10):
dir = "%s/%s" % (save_dir, i)
print(dir)
if not os.path.exists(dir):
os.mkdir(dir)
# indices = [0, 0, 0, ..., 0]用來記錄每個標籤對應的圖片數量
indices = [0 for x in range(0, 10)]
for i in range(images_train_count):
new_image = Image.new("L", (cols, rows))
# 遍歷new_image 進行賦值
for r in range(rows):
for c in range(cols):
new_image.putpixel(
(r, c), int(mnist.train.images[i][c + r * cols]))
# 獲取第i張訓練圖片對應的標籤
label = labels[i]
image_save_path = "%s/%s/%s.bmp" % (save_dir, label,
indices[label])
indices[label] += 1
new_image.save(image_save_path)
# 打印保存進度
if ((i + 1) % 50) == 0:
print("圖片保存進度: 已保存%d張,共需保存%d張" % (i + 1, images_train_count))
else:
print("圖片數量與標籤數量不一致!")
if __name__ == '__main__':
mnist_dir = "E:/PythonSourceCode/TensorflowLearning/Mnist_Data"
save_dir = "E:/PythonSourceCode/TensorflowLearning/Mnist_Data_TrainImages"
extract_mnist(mnist_dir, save_dir)
最終提取出來的結果如下:
文件夾0下對應的圖片爲:
可以看到,各種形狀的’0’都有。提取出來的圖片在後面學習的卷積神經網絡的時候會用到,所以有興趣的可以run一下上面的代碼。
如果對我的推文有興趣,歡迎轉載分享。也可以推薦給朋友關注哦。只推乾貨,寧缺毋濫。