posdata什么意思(想学习人工智能，这个的数据集必须掌握，MNIST入门与实战)

前文我们介绍了如何在Windows环境下安装TensorFlow（人工智能学习入门之TensorFlow2.2版本安装（Windows10） ）。学习知识最好的方法就是实践了，因此接下来我们通过实操的方式来学习人工智能相关的知识。

学习人工智能少不了需要一些数据集，比如进行鉴黄的人工智能少不了一些类似的图片。进行语音识别的人工智能，语料库是少不了的。对于初学人工智能的同学常常为数据集而发愁。今天我们就介绍一个非常简单，但很有用的数据集，这就是MNIST。这个数据集非常适合我们进行人工智能相关算法的学习和练习。

MNIST 数据集是美国国家标准与技术研究所（National Institute of Standards and Technology，简称NIST）制作的一个非常简单的数据集。那么该数据集是什么内容呢？其实就是一些手写的阿拉伯数字（0到9十个数字）。

NIST在制作数据集的时候还是很认真的。数据集中的训练集 (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。

如何下载MNIST数据集

MNIST数据集可从其官网（ ）下载，由于是国外网站，下载可能比较慢。它包含了四个部分:

训练集图片：train-images-idx3-ubyte.gz (9.9 MB, 解压后 47 MB, 包含 60,000 个样本)训练集标签：train-labels-idx1-ubyte.gz (29 KB, 解压后 60 KB, 包含 60,000 个标签)测试集图片：t10k-images-idx3-ubyte.gz (1.6 MB, 解压后 7.8 MB, 包含 10,000 个样本)测试集标签：t10k-labels-idx1-ubyte.gz (5KB, 解压后 10 KB, 包含 10,000 个标签)

上述包含两种类型的内容，一种是图片，另外一种是标签，图片与标签一一对应。但是这里的图片并非是我们平时看到的图片文件，而是一个二进制的文件。该数据集以一个二进制的形式对6万个图片进行了存储。标签则是图片对应的真是数字。

如下图所示，本文将数据集下载到本地，并且解压后的结果。为了便于对比，这里面包含原始的压缩包和解压后的文件。

数据集的格式简析

大家已经发现，压缩包解压后并非一个个的图片，而是每个压缩包对应着一个独立的问题。而在这个文件中存储着上万个图片或者标签的信息。那么这些信息是如何存储在这个文件当中的呢？

其实MNIST的官网给出了详细的描述。以训练集的图片文件为例，官网给出的文件格式描述如下：

从上图可以看出，前4个32位数是该训练集的描述信息。其中第一个是魔数，为固定值0x0803；第二个是图片的数量，0xea60，也就是；第三个和第四个是图片的大小，也就是图片是28*28像素。下面则是以一个字节来描述每个像素。由于该文件中以一个字节来描述一个像素，可以知道像素的值可以是从0到255。其中0表示白色，而255表示黑色。

标签文件的格式与图片文件的类似。前面有两个32位数，其中第一个是魔数，固定值0x0801；第二个用于描述标签的数量。接下来的数据是每个标签的值，用一个字节表示。这里表示值的范围是

对应实际训练集的标签文件的数据如下所示。可以看出与上述格式的描述是一致的。另外，我们可以看出，对应该标签集，前面几张图片表示的数字分别应该是5，0，4，1等等。这里大家记一下，后面会用到。

关于数据集的文件格式我们了解了，下面我们实际操作一下。

数据集的可视化处理

知道上述数据的存储格式后，我们就可以对数据进行解析了。比如下面本文实现了一个小程序，用于解析该图片集合中的某个图片，并得到可视化结果。当然，其实我们可以根据标签集合的值知道图片是什么，这里只是一个实验。最终结果是以一个文本文件存储的，用字符“Y”表示笔迹，字符“0”表示背景色。具体程序代码很简单，本文不再赘述。

# -*- coding: UTF-8 -*-def trans_to_txt(train_file, txt_file, index): with open(train_file, 'rb') as sf: with open(txt_file, "w") as wf: offset = 16 + (28*28*index) cur_pos = offset count = 28*28 strlen = 1 out_count = 1 while cur_pos < offset+count: sf.seek(cur_pos) data = sf.read(strlen) res = int(data[0]) #虽然在数据集中像素是1-255表示颜色，这里简化为Y if res > 0 : wf.write(" Y ") else: wf.write(" 0 ") #由于图片是28列，因此在此进行换行 if out_count % 28 == 0 : wf.write("\n") cur_pos += strlen out_count += 1trans_to_txt("../data/train-images.idx3-ubyte", "image.txt", 0)

我们运行上述代码，可以得到一个名为image.txt的文件。可以看到该文件的内容如下。其中红色笔记是后面添加了，主要是为看的清楚一些。从图中内容可以看出，这个其实就是手写的“5”。

前面我们通过原生的Python接口对数据集进行了可视化的解析。Python有很多已经实现好的库函数，因此我们可以通过一个库函数简化上述功能。

基于第三方库解析数据

采用原生的Python接口实现起来略显复杂。我们知道Python有很多第三方库，因此我们可以借助第三方库来实现对数据集的解析和展示，具体代码如下。

# -*- coding: utf-8 -*-import osimport structimport numpy as np# 读取数据集，以二维数组的方式返回图片信息和标签信息def load_mnist(path, kind='train'): # 从指定目录加载数据集 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) with open(images_path, 'rb') as imgpath: #解析图片信息，存储在images中 magic, num, rows, cols = struct.unpack('>IIII', imgpath.read(16)) images = np.fromfile(imgpath, dtype=np.uint8).reshape(len(labels), 784) return images, labels# 在终端打印某个图片的数据信息def print_image(data, index): idx = 0; count = 0; for item in data[index]: if count % 28 == 0: print("") if item > 0: print("\033[7;31mY \033[0m", end="") else: print("0 ", end="") count += 1def main(): cur_path = os.getcwd() cur_path = os.path.join(cur_path, "..\data") imgs, labels = load_mnist(cur_path) print_image(imgs, 0)if __name__ == "__main__": main()

上述代码中分为两步，第一步是将数据集解析到数组中，第二步是对数组中的某个图片进行显示。这里显示也是通过文本的方式程序，只不过不是存储在文件中，而是打印在终端。比如我们依然打印第一个图片，其效果如下：

上述结果的呈现只是通过字符来模拟图片。其实我们可以借助第三方库实现更加完美的图片呈现。接下来我们介绍一下如何通过matplotlib库来呈现图片。这个库非常有用，后续还会接触到这个库。

我们实现一个

def show_image(data, index): fig, ax = plt.subplots(nrows=1, ncols=1, sharex=True, sharey=True, ) img = data[0].reshape(28, 28) ax.imshow(img, cmap='Greys', interpolation='nearest') ax.set_xticks([]) ax.set_yticks([]) plt.tight_layout() plt.show()

此时可以看到

实现上述功能的时候可能会缺少一些第三方库，比如matplotlib等。此时需要我们手动进行安装，具体方法如下：

pip install matplotlib -i --trusted-host pypi.douban.com基于TensorFlow的数据解析

MNIST是如此出名，以至于TensorFlow已经对其进行了支持。因此，我们可以通过TensorFlow对其进行加载和解析。下面我们给出用TensorFlow实现的代码。

# -*- coding: utf-8 -*-from tensorflow.examples.tutorials.mnist import input_dataimport pylabdef show_mnist(): # 通过TensorFlow库解析数据 mnist = input_data.read_data_sets("../data", one_hot=True) im = mnist.train.images[0] im = im.reshape(28 ,28) # 进行绘图 pylab.imshow(im, cmap='Greys', interpolation='nearest') pylab.show()if __name__ == "__main__": show_mnist()

该代码实现的最终效果与上一个实例一致，这里不再赘述。

经过上一篇文章（《人工智能学习入门之TensorFlow2.2版本安装》）和本篇文章，我们准备好了学习人工智能必备的材料，一个是开发环境，另外一个是素材。接下来我们就开始人工智能的真正学习了！

本文大部分实例在Windows 10运行得到。其中红色背景的图片是在Ubuntu18.04环境运行得到。如果代码运行存在问题，请确认软件版本的一致性。