标签：标签 样本 train 可视化 MNIST ax data 下载
MNIST数据集介绍
MNIST数据集官网：http://yann.lecun.com/exdb/mnist/
MNIST数据库是非常经典的一个数据集，就像你学编程起初写一个“Hello Word”的程序一样，学Deep Learning你就会写识别MNIST数据集的Model。
MNIST数据集是由0〜9手写数字图片和数字标签所组成的，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。如下图所示。
MNIST数据库一共有四个文件案，分别为
1. train-images-idx3-ubyte.gz：训练集图片（9912422字节），55000张训练集，5000张验证集
2. train-labels-idx1-ubyte.gz：训练集图片对应的标签（28881字节），
3. t10k-images-idx3-ubyte .gz：测试集图片（1648877字节），10000张图片
4. t10k-labels-idx1-ubyte.gz：测试集图片对应的标签（4542字节）
图片是指0〜9手写数字图片，而标签则是对应该图片之实际数字。
MNIST 数据集下载及可视化
TensorFlow提供了一个库可以对MNIST数据集进行下载和解压。具体的是使用TensorFlow中input_data.py脚本来读取数据及标签，使用这种方式时，可以不用事先下载好数据集，它会自动下载并存放到你指定的位置。具体程序如下所示：
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
# MNIST_data指的是存放数据的文件夹路径，one_hot=True 为采用one_hot的编码方式编码标签
mnist = input_data.read_data_sets('../datasets/MNIST_data/', one_hot=True)
# load data
train_X = mnist.train.images
train_Y = mnist.train.labels
print(train_X.shape, train_Y.shape) # 输出训练集样本和标签的大小
# 查看数据，例如训练集中第一个样本的内容和标签
print(train_X[0]) # 是一个包含784个元素且值在[0,1]之间的向量
print(train_Y[0])
# 可视化样本，下面是输出了训练集中前4个样本
fig, ax = plt.subplots(nrows=2, ncols=2, sharex='all', sharey='all')
ax = ax.flatten()
for i in range(4):
img = train_X[i].reshape(28, 28)
# ax[i].imshow(img,cmap='Greys')
ax[i].imshow(img)
ax[0].set_xticks([])
ax[0].set_yticks([])
plt.tight_layout()
plt.show()
运行结果为：
输出训练样本和标签的大小
(55000, 784) (55000, 10)
查看第一个样本的数据(数据很多，做了部分省略)：
[0. 0. 0. 0.3803922 0.37647063 0.3019608
0.46274513 0.2392157 0. 0. 0. 0.]
print("查看第一个样本的标签")：
[0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]
训练集中前4个样本图片显示：
计算机视觉联盟 报道 | 公众号 CVLianMeng
标签：标签,样本,train,可视化,MNIST,ax,data,下载 来源： https://www.cnblogs.com/CVLianMeng/p/13234514.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。