tensorflow中mnist数据集

tensorflow中mnist数据集

mnist数据集一共有7万张图片，是28 * 28 像素的0 到 9 手写识别数据集，其中6万张用于训练，1万张用于测试。每张图片包含784（28 * 28）个像素点，使用全连接网络可以将784个像素点组成长度为784的一维数组，作为输入特征。

导入数据集： 

方式一：

 mnist = tf.keras.datasets.mnist #导入mnist数据集
 (x_train, y_train), (x_test, y_test) = mnist.load_data() #分别分配好训练集和测试集的输入和标签

方式二：

1、下载数据集：https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz

2、导入数据：

path = './mnist.npz' #数据路径
f = np.load(path) #加载数据
x_train, y_train = f['x_train'], f['y_train'] #导入训练集的输入和标签
x_test, y_test = f['x_test'], f['y_test']  #导入测试集的输入和标签
f.close()

 

实例代码：

import tensorflow as tf #导入模块
from matplotlib import pyplot as plt #导入绘图模块
import numpy as np



#加载数据集
# mnist = tf.keras.datasets.mnist #导入mnist数据集
# (x_train, y_train), (x_test, y_test) = mnist.load_data() #分别分配好训练集和测试集的输入和标签
path = './mnist.npz' #数据路径
f = np.load(path) #加载数据
x_train, y_train = f['x_train'], f['y_train'] #导入训练集的输入和标签
x_test, y_test = f['x_test'], f['y_test']  #导入测试集的输入和标签
f.close()

#可视化训练集输入特征的第一个元素
plt.imshow(x_train[0], cmap = "gray") #绘制灰度图

plt.show() #画出图像

#打印出训练集输入特征的第一个元素
print("x_train[0]:\n", x_train[0])

#打印出训练集标签的第一个元素
print("y_train[0]:\n", y_train[0])

#打印出整个训练集输入特征的形状
print("x_train.shape:\n", x_train.shape)

#打印出整个训练集标签的形状
print("y_train.shape:\n", y_train.shape)

#打印出整个测试集输入特征的形状
print("x_test.shape:\n", x_test.shape)

#打印出整个测试集标签的形状
print("y_test.shape:\n", y_test.shape)

结果为：

E:\Anaconda3\envs\TF2\python.exe C:/Users/Administrator/PycharmProjects/untitled8/Mnist数据集.py
x_train[0]:
 [[  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   3  18  18  18 126 136
  175  26 166 255 247 127   0   0   0   0]
 [  0   0   0   0   0   0   0   0  30  36  94 154 170 253 253 253 253 253
  225 172 253 242 195  64   0   0   0   0]
 [  0   0   0   0   0   0   0  49 238 253 253 253 253 253 253 253 253 251
   93  82  82  56  39   0   0   0   0   0]
 [  0   0   0   0   0   0   0  18 219 253 253 253 253 253 198 182 247 241
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0  80 156 107 253 253 205  11   0  43 154
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0  14   1 154 253  90   0   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0 139 253 190   2   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0  11 190 253  70   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0  35 241 225 160 108   1
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0  81 240 253 253 119
   25   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0  45 186 253 253
  150  27   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0  16  93 252
  253 187   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0 249
  253 249  64   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0  46 130 183 253
  253 207   2   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0  39 148 229 253 253 253
  250 182   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0  24 114 221 253 253 253 253 201
   78   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0  23  66 213 253 253 253 253 198  81   2
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0  18 171 219 253 253 253 253 195  80   9   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0  55 172 226 253 253 253 253 244 133  11   0   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0 136 253 253 253 212 135 132  16   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0
    0   0   0   0   0   0   0   0   0   0]]
y_train[0]:
 5
x_train.shape:
 (60000, 28, 28)
y_train.shape:
 (60000,)
x_test.shape:
 (10000, 28, 28)
y_test.shape:
 (10000,)

Process finished with exit code 0