Python解析lmdb格式mnist数据集

背景

HDF5和LMDB都是Cafffe中常用的数据库。相对来说，HDF5的读写格式简单；LMDB采用内存-映射文件（memory-mapped files），所以拥有非常好的I/O性能，而且对于大型数据库来说，HDF5的文件常常整个写入内存。所以HDF5的文件大小就受限于内存大小，当然也可以通过文件分割来解决问题，但其I/O性能就不如LMDB的页缓存（page cachiing）策略了。

MNIST手写数字字符识别实验在deep learning 中经常用到，这里使用Python来获取lmdb格式MNIST数据集中的图片并显示出来

Python读取LMDB

首先确认你安装了lmdb和Caffe的python包（Caffe中的pycaffe）。

pip install lmdb

LMDB采用键值对的存储格式，key就是字符形式的ID，value是Caffe中Datum类的序列化形式。

# -*- coding:utf-8 -*-
import caffe
from caffe.proto import caffe_pb2

import lmdb
import cv2 as cv

env = lmdb.open("mnist_train_lmdb", readonly=True)  # 打开数据文件
txn = env.begin()  # 生成处理句柄
cur = txn.cursor()  # 生成迭代器指针
datum = caffe_pb2.Datum()  # caffe 定义的数据类型

for key, value in cur:
    print(type(key), key)
    datum.ParseFromString(value)  # 反序列化成datum对象

    label = datum.label
    data = caffe.io.datum_to_array(datum)
    print data.shape
    print datum.channels
    image = data[0]
    # image = data.transpose(1, 2, 0)

    print(type(label))
    cv.imshow(str(label), image)
    cv.waitKey(0)

cv.destroyAllWindows()
env.close()

运行结果：

… ……

读取LMDB数据库中的Datum数据，这里再稍微介绍一下Datum的格式：channels：图片的通道，彩色图有3个通道，灰度图只有1通道，当然也可以用通道数来表示其他意思，比如表示两张图片，每个通道一个单张的图；height：图片（即data）的高；width：图片（即data）的宽；data：图片的数据（像素值）；label：图片的label。(datum.channels, datum.height, datum.width)

---

参考:

• http://blog.youkuaiyun.com/langb2014/article/details/52995349
• https://zhuanlan.zhihu.com/p/23485774