ML(一)——有关MNIST的那些事

一.什么是MNIST？

     简单的说，mnist就是一个手写数字的数据集。

     你可以用如下的代码下载mnist

from tensorflow.examples.tutorials.mnist import input_data
# 载入数据集，如果根目录有就调用，没有就下载
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

       不过这种方式受限于网络，有时下载时会出现访问失败的情况，所以 MNIST数据集我度盘分享了下，有需要的朋友可以来这下 载：链接: https://pan.baidu.com/s/1-IQaA3qgwCv4tv7QyQ4F7A 密码: xvfv

       文件夹中共有4个文件，分别是训练图片数据、训练图片的标签、测试的图片数据、测试图片的标签。

       训练图片共60000张（这部分又可以分为55000训练图片和5000张验证图片），供开发者训练模型，测试图片共10000张，供开发者测试你训练出来的模型的性能。

      

二.用代码来帮助我们了解MNIST

我们先来看下各个部分的形状，代码如下：

from tensorflow.examples.tutorials.mnist import input_data

# 载入数据集，如果根目录有就调用，没有就下载
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

print('训练数据集')
print(mnist.train.images.shape)
print(mnist.train.labels.shape)
print('验证数据集')
print(mnist.validation.images.shape)
print(mnist.validation.labels.shape)
print('测试数据集')
print(mnist.test.images.shape)
print(mnist.test.labels.shape)

输出结果如下：

训练数据集
(55000, 784)
(55000, 10)
验证数据集
(5000, 784)
(5000, 10)
测试数据集
(10000, 784)
(10000, 10)

接下来，我们解释下输出的结果，我们看见，6个结果的前一个数字就是我上面说的数字，我们重点说下784，784开根号就是28，没错，一张图片是由28*28的像素点组成的,为方便理解，我将一张图片的向量打印出来

print(mnist.train.images[0,:].reshape(28*28))

额。。比较遗憾他没有按照28*28的样子打印，所以我从网上找了张样张

大概就是这样子，黑色是1白色是0，介于黑白之间的灰色就是0.几。

我尝试下载一种图片下来，代码如下：

from tensorflow.examples.tutorials.mnist import input_data
import scipy.misc

# 载入数据集，如果根目录有就调用，没有就下载
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

image=mnist.train.images[0,:].reshape(28,28)
filename='mnist0.jpg'
scipy.misc.toimage(image,cmin=0.0,cmax=1.0).save(filename)

恩，这是一个7

接下来解释下10，图片数据是0-9嘛，所以至少需要10种标记，而mnist数据集用的是10维的向量，这种10维的向量是原先类别号的独热表示。

独热码，在英文文献中称做 one-hot code, 直观来说就是有多少个状态就有多少比特，而且只有一个比特为1，其他全为0的一种码制。（摘自百度百科，不懂得可以去自己了解下）

百科上还有个例子：例如，有6个状态的独热码状态编码为：000001，000010，000100，001000，010000，100000。

我们用代码看一下mnist的独热：

print(mnist.train.labels[0,:])

[0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]

可以看见下标为7的位置数字是1，而其他位置都是0，正好符合上面我下载的第一个图片显示是7

我又打印了前10个独热，希望对大家的理解有帮助

[0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]
[0. 0. 0. 1. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 1. 0. 0. 0.]
[0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0. 1. 0.]
[0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
[0. 0. 0. 0. 0. 0. 0. 0. 1. 0.]

注：本文为作者原创，转载请注明出处！