owl's blog
0%

MNIST 1.简介&可视化

发表于 分类于 Valine：

1.简介

MNIST 数据集来自美国国家标准与技术研究所, 是NIST(National Institute of Standards and Technology)的缩小版，训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员，测试集(test set) 也是同样比例的手写数字数据.

MNIST 数据集可在 http://yann.lecun.com/exdb/mnist/ 获取, 图片是以字节的形式进行存储，它包含了四个部分:

  • Training set images: train-images-idx3-ubyte.gz (9.9 MB, 解压后 47 MB, 包含 60,000 个样本)
  • Training set labels: train-labels-idx1-ubyte.gz (29 KB, 解压后 60 KB, 包含 60,000 个标签)
  • Test set images: t10k-images-idx3-ubyte.gz (1.6 MB, 解压后 7.8 MB, 包含 10,000 个样本)
  • Test set labels: t10k-labels-idx1-ubyte.gz (5KB, 解压后 10 KB, 包含 10,000 个标签)

此数据集中，训练样本：共60000个，其中55000个用于训练，另外5000个用于验证。测试样本：共10000个，验证数据比例相同。

数据集中像素值
a）使用python读取二进制文件方法读取mnist数据集，则读进来的图像像素值为0-255之间；标签是0-9的数值。
b）采用TensorFlow的封装的函数读取mnist，则读进来的图像像素值为0-1之间；标签是0-1值组成的大小为1*10的行向量。

2.读取mnist到numpy

load_mnist 函数返回两个数组, 第一个是一个 n x m 维的 NumPy array(images), 这里的 n 是样本数(行数), m 是特征数(列数). 训练数据集包含 60,000 个样本, 测试数据集包含 10,000 样本.

在 MNIST 数据集中的每张图片由 28 x 28 个像素点构成, 每个像素点用一个灰度值表示. 在这里, 我们将 28 x 28 的像素展开为一个一维的行向量, 这些行向量就是图片数组里的行(每行 784 个值, 或者说每行就是代表了一张图片).

load_mnist 函数返回的第二个数组(labels) 包含了相应的目标变量, 也就是手写数字的类标签(整数 0-9).

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
mport os
import struct
import numpy as np
 
def load_mnist(path, kind='train'):
    """Load MNIST data from `path`"""
    labels_path = os.path.join(path,'%s-labels-idx1-ubyte'% kind)
    
    images_path = os.path.join(path,'%s-images-idx3-ubyte'% kind)
    
    with open(labels_path, 'rb') as lbpath:
        magic, n = struct.unpack('>II',lbpath.read(8))
        labels = np.fromfile(lbpath,dtype=np.uint8)
    #读入magic是一个文件协议的描述,也是调用fromfile 方法将字节读入NumPy的array之前在文件缓冲中的item数(n). 
 
 
    with open(images_path, 'rb') as imgpath:
        magic, num, rows, cols = struct.unpack('>IIII',imgpath.read(16))
        images = np.fromfile(imgpath,dtype=np.uint8).reshape(len(labels), 784)
    return images, labels

1
2
3
4
5
1.
>这是指大端(用来定义字节是如何存储的，关于大小端, 更多内容可见<<深入理解计算机系统 – 2.1 节信息存储>>)
2.
I: 这是指一个无符号整数.

3.查看tensorflow集成的mnist

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
from tensorflow.examples.tutorials.mnist import input_data

minit = input_data.read_data_sets("../MNIST_data")
#如果该路径没有会自动下载


print("Training data size",minit.train.num_examples)
#训练数据

print("Training data size",minit.validatation.num_examples)
#验证数据

print("Training data size",minit.test.num_examples)
#测试数据

print("Example training data size",minit.train.image[0])
#样例训练数据

print（“Example training data label”,minist.train.labels[0]）
#样例训练数据标签 

batch_size = 100
x,y = mnist.train.next_batch(batch_size)
print('x shape:',x.shape)
print('y shape:',y.shape)

4.可视化

4.1 plt的方法

从 feature matrix 中将 784-像素值 的向量 reshape 为之前的 28*28 的形状, 然后通过 matplotlib 的 imshow 函数进行绘制,不能进行one-hot编码:

  • 读单个图片
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    import matplotlib.pyplot as plt
     
    #from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
    #mnist = read_data_sets('MNIST_data', one_hot=False)

    from tensorflow.examples.tutorials.mnist import input_data

    mnist = input_data.read_data_sets("./MNIST_data",one_hot=False)
    x, y = mnist.test.next_batch(1)
    x = x.reshape([28, 28])
     
    fig = plt.figure()
    # Method1 
    ax1 = fig.add_subplot(221)
    ax1.imshow(x, cmap=plt.cm.gray)
     
    # Method2: 反转色
    ax2 = fig.add_subplot(222)
    ax2.imshow(x, cmap=plt.cm.gray_r) # r表示reverse
     
    # Method3（等价于Method1）
    ax3 = fig.add_subplot(223)
    ax3.imshow(x, cmap='gray')
     
    # Method4（等价于Method2）
    ax4 = fig.add_subplot(224)
    ax4.imshow(x, cmap='gray_r')
     
    plt.show()
  • 读多个图片
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data


mnist = input_data.read_data_sets("./MNIST_data",one_hot=False)
 
fig, ax_big = plt.subplots()
 

for i in range(100): #读一百张
	x,y = mnist.test.next_batch(1)
	x = x.reshape([28,28])
	ax = fig.add_subplot(10,10,i+1) #10行10列
	ax.imshow(x, cmap=plt.cm.gray)
	ax.set_xticks([])              
	ax.set_yticks([])
	#隐藏子图坐标轴刻度


ax_big.set_xticks([])                                   
# 隐藏坐标轴刻度
ax_big.set_yticks([])

plt.show()
#plt.savefig("路径.png", dpi=150)

4.2 torchvision&scipy方法

其实数据集里的图片就是一个带有像素值的二维数组，可以画出这个数组的库有很多。包括机器学习库torch，其中的torchvision也可以。具体方法如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
import torchvision   
import torch.utils.data as Data 
import scipy.misc
import os

DOWNLOAD_MNIST = True 

train_data = torchvision.datasets.MNIST(root='./MNIST_data2/',train=True,transform=torchvision.transforms.ToTensor(),download=DOWNLOAD_MNIST)

#把原始图片保存至MNIST_data/raw/下
save_dir="mnist/raw/"
if os.path.exists(save_dir) is False:
    os.makedirs(save_dir)
    
for i in range(20):
    image_array,_=train_data[i]#打印第i个
    image_array=image_array.resize(28,28)
    filename=save_dir + 'mnist_train_%d.jpg' % i#保存文件的格式
    print(filename)
    print(train_data.train_labels[i])#打印出标签
    scipy.misc.toimage(image_array,cmin=0.0,cmax=1.0).save(filename)#保存图像

结果输出如下：

image