MNIST数据集手写数字识别（一）

        MNIST数据集是初步学习神经网络的很好的数据集，也是拿来教学，不可多得的好教材，有很多知识点在里面。官网下载地址，可以自己手动下载，当然也可以通过下面的代码自动下载【urllib.request(3.x版本以上)】，下载下来的是四个gz格式的压缩文件（训练图像、训练标签、测试图像、测试标签），解压之后类似idx-ubyte格式的十六进制文件，可以使用Sublime等打开查看。训练数据顾名思义是拿来做训练学习之用，是神经网络的命根子，也叫做监督数据。测试数据是用来评估模型的泛化能力，也就是说如果在监督数据中很好运行，但是在测试数据中学习不好，那么这个模型就过拟合了，泛化能力差。

        在后续的练习中将会用到dataset.mnist，其中mnist.py源码如下,主要是下载文件之后转成矩阵以及生成pkl文件（序列化文件，持久化保存）方便后续进行加载调用。

# coding: utf-8
try:
    import urllib.request
except ImportError:
    raise ImportError('You should use Python 3.x')
import os.path
import gzip
import pickle
import os
import numpy as np

url_base = 'http://yann.lecun.com/exdb/mnist/'
key_file = {
    'train_img':'train-images-idx3-ubyte.gz',
    'train_label':'train-labels-idx1-ubyte.gz',
    'test_img':'t10k-images-idx3-ubyte.gz',
    'test_label':'t10k-labels-idx1-ubyte.gz'
}

dataset_dir = os.path.dirname(os.path.abspath(__file__))
save_file = dataset_dir + "/mnist.pkl"

train_num = 60000
test_num = 10000
img_dim = (1, 28, 28)
img_size = 784

def _download(file_name):
    file_path = dataset_dir + "/" + file_name
    
    if os.path.exists(file_path):
        return

    print("Downloading " + file_name + " ... ")
    urllib.request.urlretrieve(url_base + file_name, file_path)
    print("Done")
    
def download_mnist():
    for v in key_file.values():
       _download(v)
        
def _load_label(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")
    with gzip.open(file_path, 'rb') as f:
            labels = np.frombuffer(f.read(), np.uint8, offset=8)
    print("Done")
    
    return labels

def _load_img(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")    
    with gzip.open(file_path, 'rb') as f:
            data = np.frombuffer(f.read(), np.uint8, offset=16)
    data = data.reshape(-1, img_size)#二维，和flatten一维有区别
    print("Done")
    
    return data
    
def _convert_numpy():
    dataset = {}
    dataset['train_img'] =  _load_img(key_file['train_img'])
    dataset['train_label'] = _load_label(key_file['train_label'])    
    dataset['test_img'] = _load_img(key_file['test_img'])
    dataset['test_label'] = _load_label(key_file['test_label'])
    
    return dataset

def init_mnist():
    download_mnist()
    dataset = _convert_numpy()
    print("Creating pickle file ...")
    with open(save_file, 'wb') as f:
        pickle.dump(dataset, f, -1)
    print("Done!")

def _change_one_hot_label(X):
    T = np.zeros((X.size, 10))
    for idx, row in enumerate(T):
        row[X[idx]] = 1
        
    return T
    
def load_mnist(normalize=True, flatten=True, one_hot_label=False):
    """读入MNIST数据集
    
    Parameters
    ----------
    normalize : 将图像的像素值正规化为0.0~1.0
    one_hot_label : 
        one_hot_label为True的情况下，标签作为one-hot数组返回
        one-hot数组是指[0,0,1,0,0,0,0,0,0,0]这样的数组
    flatten : 是否将图像展开为一维数组
    
    Returns
    -------
    (训练图像, 训练标签), (测试图像, 测试标签)
    """
    if not os.path.exists(save_file):
        init_mnist()
        
    with open(save_file, 'rb') as f:
        dataset = pickle.load(f)
    
    if normalize:
        for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].astype(np.float32)
            dataset[key] /= 255.0
            
    if one_hot_label:
        dataset['train_label'] = _change_one_hot_label(dataset['train_label'])
        dataset['test_label'] = _change_one_hot_label(dataset['test_label'])
    
    if not flatten:
         for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].reshape(-1, 1, 28, 28)

    return (dataset['train_img'], dataset['train_label']), (dataset['test_img'], dataset['test_label']) 


if __name__ == '__main__':
    init_mnist()

from dataset.mnist import load_mnist
No module named 'dataset'

        下面的代码将显示图像以及后面经常会用到这个数据集，如果出现上述错误，不是使用pip install 进行安装，而是在dataset这个文件夹下面有一个mnist.py文件，定义了一个load_mnist方法。意思就是加载来自dataset目录中的mnist.py文件里的load_mnist方法。
在这之前需要将dataset的父级目录加入到系统路径里面，临时的附加可以类似于

sys.path.append('D:\Anaconda3\TONYTEST')

现在我们对这个数据集进行熟悉下：

(x_train,t_train),(x_test,t_test)=load_mnist(flatten=True,normalize=False)

x_train.shape,t_train.shape,x_test.shape,t_test.shape
结果：((60000, 784), (60000,), (10000, 784), (10000,))

训练集图像是60000张，784(28*28)个像素/张，测试集图片是10000张，图片也是784(28*28)个像素/张

如果flatten为False，也就是不展开输入的图像（一维数组），那么图像就是1*28*28的三维数组
(x_train,t_train),(x_test,t_test)=load_mnist(flatten=False,normalize=False)
结果：((60000, 1, 28, 28), (60000,), (10000, 1, 28, 28), (10000,))

 下面我们来显示数据集中的图像：

import sys,os
import numpy as np
from PIL import Image
os.chdir('D:\Anaconda3\TONYTEST')
sys.path.append('D:\Anaconda3\TONYTEST')
from dataset.mnist import load_mnist
def img_show(img):
    pil_img=Image.fromarray(np.uint8(img))
    pil_img.show()
(x_train,t_train),(x_test,t_test)=load_mnist(flatten=True,normalize=False)
img=x_train[4]#9
label=t_train[4]#9
print(label)
print(img.shape)#(784,)
img=img.reshape(28,28)
img_show(img)

将出现一个28*28像素的手写数字为9的图片

        在代码中可以看到uint8表示的是8位的无符号整型，范围是0到255，所以图片中标签值是两个为一组，比如打开train-labels.idx1-ubyte文件如下：

可以看到方法_load_label中的labels = np.frombuffer(f.read(), np.uint8, offset=8)其中偏移offset=8是8，所以从第9个开始就是标签值！

其中还有一个参数one_hot_label，看源码可知默认值是False，如果我们指定为True，就是常说的独热编码（One Hot），正确解标签设置为1，其余为0

#正常的标签形式：
(x_train,t_train),(x_test,t_test)=load_mnist(flatten=True,normalize=False)

x_train.shape,t_train.shape,x_test.shape,t_test.shape
结果：((60000, 784), (60000,), (10000, 784), (10000,))

#通过切片查看前面20个标签值：
t_train[0:20]
array([5, 0, 4, 1, 9, 2, 1, 3, 1, 4, 3, 5, 3, 6, 1, 7, 2, 8, 6, 9], dtype=uint8)



#独热编码：

(x_train,t_train),(x_test,t_test)=load_mnist(flatten=True,normalize=False,one_hot_label=True)

x_train.shape,t_train.shape,x_test.shape,t_test.shape
((60000, 784), (60000, 10), (10000, 784), (10000, 10))

#通过切片查看前5行10列的独热编码值：
t_train[0:5]
array([[ 0.,  0.,  0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.],
       [ 1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  1.]])

如果数据量很多的一维数组，分行列查看更清晰，可以这样

t_t=t_train[0:50]
for i in range(0,len(t_t),10):
    print(t_t[i:i+10])

[5 0 4 1 9 2 1 3 1 4]
[3 5 3 6 1 7 2 8 6 9]
[4 0 9 1 1 2 4 3 2 7]
[3 8 6 9 0 5 6 0 7 6]
[1 8 7 9 3 9 8 5 9 3]