学习MNIST数据集处理和可视化。

# -*- coding: utf-8 -*-
"""
加载并显示MNIST数据集

PyTorch Programming & Deep Learning
@author: Mike Yuan, Copyright 2020~2021
"""

import matplotlib.pyplot as plt
from torchvision import datasets  # 导入PyTorch的视觉数据集模块

rows, cols = 10, 10  # 定义图像显示的网格布局为10行10列

def main():
    """ 主函数 """
    # 加载MNIST数据集
    # root: 数据集存储路径
    # train=True: 加载训练集，False为测试集
    # download=True: 如果数据集不存在则自动下载
    # transform=None: 不进行数据转换（保持原始PIL图像格式）
    train_set = datasets.MNIST(
        root='../datasets/mnist', 
        train=True,
        download=True, 
        transform=None
    )
    test_set = datasets.MNIST(
        root='../datasets/mnist', 
        train=False,
        download=True, 
        transform=None
    )

    # 获取类别名称（直接通过数据集属性classes获取）
    class_names = train_set.classes  # 返回类别名称列表，如['0', '1', ..., '9']

    # 打印数据集基本信息
    print("训练集shape: ", train_set.data.shape)      # 输出 [60000, 28, 28]
    print("训练集样本数：", len(train_set.targets))     # 输出 60000
    print("测试集shape: ", test_set.data.shape)       # 输出 [10000, 28, 28]
    print("测试集样本数：", len(test_set.targets))      # 输出 10000

    # 绘制单个样本图像（索引为idx的样本）
    idx = 0  # 可通过修改此值查看不同样本
    plt.figure()
    plt.imshow(train_set.data[idx], cmap="gray_r")  # 显示反色灰度图像
    plt.grid(False)  # 隐藏网格线
    plt.show()

    # 绘制10x10网格的样本图像
    plt.figure(figsize=(10, 11))  # 设置画布大小（宽度10英寸，高度11英寸）
    for i in range(rows * cols):
        plt.subplot(rows, cols, i + 1)  # 创建子图（编号从1开始）
        plt.xticks([])   # 隐藏x轴刻度
        plt.yticks([])   # 隐藏y轴刻度
        plt.grid(False)  # 隐藏网格线
        plt.imshow(train_set.data[i], cmap='gray_r')  # 显示图像
        plt.xlabel(class_names[train_set.targets[i]])  # 显示标签作为子图标题
    plt.show()

if __name__ == '__main__':
    main()

---

代码说明

1. 数据加载

   • datasets.MNIST: 直接加载MNIST数据集。
   • download=True: 自动下载数据集到root指定路径（需联网）。
   • transform=None: 保持原始数据格式（uint8类型，形状[N, 28, 28]）。

2. 类别名称获取

   • train_set.classes: 直接返回类别名称列表（‘0’到’9’）。

3. 数据信息打印

   • train_set.data: 原始图像数据（未应用transform）。
   • train_set.targets: 标签数据。

4. 单样本可视化

   • plt.imshow()显示原始像素数据，cmap="gray_r"确保图像为反色灰度。

5. 多样本网格可视化

   • plt.subplot()创建子图网格，plt.xlabel()显示数字标签。

---

注意事项

1. 数据集下载问题

   • 确保root='../datasets/mnist'路径有效且有写入权限。
   • 首次运行需保持download=True，后续可改为False以加速加载。

2. 数据预处理缺失

   • transform=None意味着未进行归一化（原始像素值为0~255）。
   • 建议: 添加transform=transforms.ToTensor()以自动归一化到[0,1]，例如：

     transform=transforms.Compose([
         transforms.ToTensor(),
         transforms.Normalize((0.5,), (0.5,))  # 进一步归一化到[-1,1]
     ])
     

3. 数据类型不一致

   • train_set.data是uint8类型（0~255），若需用于模型训练，必须转换为float并归一化。

4. 索引越界风险

   • 确保rows * cols不超过数据集大小（例如训练集有60000样本，10x10=100是安全的）。

5. 标签显示优化

   • 若标签显示为方框，需检查系统是否支持默认字体，或指定中文字体（如plt.xlabel(..., fontproperties='SimHei')）。

6. 图像显示细节

   • cmap='gray_r'中的_r表示反色（黑色背景），若需正常显示可改为cmap='gray'。
   • plt.figure(figsize=(10,11))的尺寸可根据屏幕分辨率调整，避免图像重叠。

7. 代码冗余

   • test_set在本代码中未实际使用，可根据需求添加测试集的可视化逻辑。

8. 性能问题

   • 一次性加载全部数据（如train_set.data）可能消耗内存，对于超大数据集建议使用DataLoader分批加载。

哎