江阴公司企业网站建设/济南做seo的公司排名
Mnist数据集已经是一个被"嚼烂"了的数据集了，很多关于神经网络的教程都会对它下手。因此在开始深度学习之前，我想先对这个数据集介绍一下。
Mnist数据集分为两部分，分别含有60000张训练图片和10000张测试图片。
Mnist数据集图片格式介绍
每一张图片包含28*28个像素。Mnist数据集把代表一张图片的二维数据转开成一个向量，长度为28*28=784。因此在Mnist的训练数据集中mnist.train.images是一个形状为[60000, 784]的张量，第一个维度数字用来索引图片，第二个维度数字用来索引每张图片中的像素点，图片里的某个像素的强度值介于0-1之间。
Mnist数据集标签格式介绍--------独热编码
Mnist数据集中的标签是介于0~9的数字，Mnist中的标签是用独热编码(one-hot-vectors)表示的，一个one-hot向量除了某一位数字是1以外，其余维度的数组都是0，比如标签0用独热编码表示为([1, 0, 0, 0, 0, 0, 0, 0, 0, 0])，标签3用独热编码表示为([0, 0, 0, 1, 0, 0, 0, 0, 0, 0])。所以，Mnist数据集中所有的标签mnist.train.labels是一个[60000, 10]的数字矩阵。
手动提取Mnist数据集图片
如果直接下载该数据集的话，下载下来的是.gz格式的数据，如下图所示：
使用tensorflow是可以直接加载该数据的，但是是按照张量的格式加载的，就是说你看不到这些图片到底是长什么样子的。下面就要介绍一下如何手动提取Mnist数据集中的图片，并把它按照常用的格式存储。
在代码中用到了两个第三方的包，分别为tensorflow、PIL。如何你是用的我之前推荐的Anaconda来管理你的Python环境的话，那么安装这两个包就非常的简单了。使用下面的命令即可安装:
conda install tensorflow-gpuconda install Pillow提取的代码写成了函数def的形式，可以非常简单的调用。下面是提取训练数据的代码：
#coding: utf-8import osimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datafrom PIL import Image'''函数功能：按照bmp格式提取mnist数据集中的图片参数介绍: mnist_dir mnist数据集存储的路径 save_dir 提取结果存储的目录'''def extract_mnist(mnist_dir, save_dir): rows = 28 cols = 28 # 加载mnist数据集 # one_hot = True为默认打开"独热编码" mnist = input_data.read_data_sets(mnist_dir, one_hot=False) # 获取训练图片数量 shape = mnist.train.images.shape images_train_count = shape[0] pixels_count_per_image = shape[1] # 获取训练标签数量=训练图片数量 # 关闭"独热编码"后，labels的类型为[7 3 4 ... 5 6 8] labels = mnist.train.labels labels_train_count = labels.shape[0] if (images_train_count == labels_train_count): print("训练集共包含%d张图片，%d个标签" % (images_train_count, labels_train_count)) print("每张图片包含%d个像素" % (pixels_count_per_image)) print("数据类型为