下载MNIST数据集并使用python将数据转换成NumPy数组
- 首先来分析init_mnist函数
- 接下来继续分析load_mnist函数
- 实现数据集转换的python脚本的代码
- 显示MNIST图像并确认数据
下载MNIST数据集并将数据转换成NumPy数组的Python脚本里面最重要的就是load_mnist函数，其他项目想要调用数据集的话，就可以调用load_mnist函数，得到一个字典类型的数据，字典的值是一个Numpy数组。
这些过程是如何实现的，现在开始逐字逐句分析源码：
在load_mnist函数中第一句话是
if not os.path.exists(save_file):init_mnist()
如果说数据没有被下载，那么就调用init_mnist()函数。
首先来分析init_mnist函数
在init_mnist()函数中，可以发现调用了download_mnist()函数。
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!")
在download_mnist()函数中，可以看到又调用了_download(v)函数。
def download_mnist():for v in key_file.values():_download(v)
在_download(v)函数中，可以看出，它最重要的一句话就是urllib.request.urlretrieve，这个语句的意思就是把数据集下载到file_path路径下的文件里面。
def _download(file_name):file_path = dataset_dir + "/" + file_nameif os.path.exists(file_path):returnprint("Downloading " + file_name + " ... ")urllib.request.urlretrieve(url_base + file_name, file_path)print("Done")
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'
}
然后回到download_mnist()函数，这里面调用了_convert_numpy函数
# download_mnist()函数dataset = _convert_numpy()print("Creating pickle file ...")with open(save_file, 'wb') as f:pickle.dump(dataset, f, -1)print("Done!")
我们看 _convert_numpy函数：这函数返回一个字典数据类型，也就是键值对。这个函数里面调用了 _load_img函数。
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
我们看 _load_img函数，由print(“Converting " + file_name + " to NumPy Array …”)可以了解到，这个函数是用来将数据集转换成numpy数组的。
_load_img函数里面gzip.open(file_path, ‘rb’)，数据集是gz后缀的，这句话就是把这个数据给读出来。
def _load_img(file_name):file_path = dataset_dir + "/" + file_nameprint("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)print("Done")return data
_load_img函数里面data = np.frombuffer(f.read(), np.uint8, offset=16)这句话，是把f.read()里面的数据转化成numpy数组，而且数组元素类型是uint8，读取的起始位置是16，为什么是16，可以看数据集TRAINING SET IMAGE FILE (train-images-idx3-ubyte)的存储内容：
[offset] [type] [value] [description]`
`0000 32 bit integer 0x00000803(2051) magic number`
`0004 32 bit integer 60000 number of images`
`0008 32 bit integer 28 number of rows`
`0012 32 bit integer 28 number of columns`
`0016 unsigned byte ?? pixel`
`0017 unsigned byte ?? pixel`
`........`
`xxxx unsigned byte ?? pixel
这部分是训练集的image信息，image信息是通过灰度值存储的，前16字节是数据集的信息，后面的字节都是图片的信息。所以要存图片的信息，就从16字节开始。
后面的data = data.reshape(-1, img_size)这句话，意思是把这个numpy数组变成行为1，列为img_size的样子。那么img_size函数最后就返回一个numpy数组。至此， _load_img函数已经解析完。
再看_convert_numpy函数，返回的dataset也就是一个字典，键是字符串，值是numpy数组。
回到init_mnist()函数里面，由print(“Creating pickle file …”)可以看到得到dataset之后，该函数进行的是创建pickle文件的操作。with open(save_file, ‘wb’) as f 这句话，意思是以二进制格式打开名字为save_file的文件只用于写入。我们的save_file = dataset_dir + “/mnist.pkl”，所以就是创建了一个pkl文件。那么写入什么呢，接下来看pickle.dump(dataset, f, -1)这句话，这句话表明，将对象dataset保存到我们的pkl文件中去，这个-1是pickle进行转换的协议版本。那么至此，init_mnist函数已经分析完，它返回一个pickle文件。
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!")
接下来继续分析load_mnist函数
下面有一行，with open(save_file, ‘rb’) as f: dataset = pickle.load(f)，把之前的pickle文件重构为原来的python对象，给dataset。
load_mnist的参数normalize=True，这是将输入图像正规化为0-1的值，各个像素取值在0-255之间，dataset[key] /= 255.0就变成0-1之间了。
load_mnist的参数one_hot_label如果为True的话，设置将标签保存为ont-hot表示，one-hot表示是仅正确解标签为1，其余皆为0的数组。调用了 _change_one_hot_label函数来实现。
def _change_one_hot_label(X):T = np.zeros((X.size, 10))for idx, row in enumerate(T):row[X[idx]] = 1return T
load_mnist的参数flatten设置为True，则输入图像会保存为由784个元素构成的一维数组，设置为False，则输入图像为1*28 *28的三维数组。
最后load_mnist返回字典类型的dataset。键分别是train_img、train_label、test_img、test_label，值是由后缀为.gz数据集文件转换得到的Numpy数组。
def load_mnist(normalize=True, flatten=True, one_hot_label=False):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] /= 255.0if 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'])
至此，load_mnist函数已经分析完毕，下载MNIST数据集并使用python将数据转换成NumPy数组的全部代码:
实现数据集转换的python脚本的代码
# 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 npurl_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 = 784def _download(file_name):file_path = dataset_dir + "/" + file_nameif os.path.exists(file_path):returnprint("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_nameprint("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 labelsdef _load_img(file_name):file_path = dataset_dir + "/" + file_nameprint("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)print("Done")return datadef _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 datasetdef 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]] = 1return Tdef 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0.0~1.0one_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] /= 255.0if 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()显示MNIST图像并确认数据
首先调用前面写的load_mnist函数(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)得到x_train、t_train、x_test、t_test这几个字典类型的对象。
要看训练集的第一个数据，就可以通过img = x_train[0]读出来第一个图片，label = t_train[0]读出来数据集里面放的第一个标签。输出出来发现，数据集里第一个图是5 。
展示图片用的是img_show函数，这个函数里面用的Image.fromarray作用是将array数据转成PIL能用的数据格式，从而输出图片。
import sys, os
sys.path.append(os.pardir) # 为了导入父目录的文件而进行的设定
import numpy as np
from dataset.mnist import load_mnist
from PIL import Imagedef 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[0]
label = t_train[0]
print(label) # 5print(img.shape) # (784,)
img = img.reshape(28, 28) # 把图像的形状变为原来的尺寸
print(img.shape) # (28, 28)img_show(img)
输出：
Downloading train-images-idx3-ubyte.gz ...
Done
Downloading train-labels-idx1-ubyte.gz ...
Done
Downloading t10k-images-idx3-ubyte.gz ...
Done
Downloading t10k-labels-idx1-ubyte.gz ...
Done
Converting train-images-idx3-ubyte.gz to NumPy Array ...
Done
Converting train-labels-idx1-ubyte.gz to NumPy Array ...
Done
Converting t10k-images-idx3-ubyte.gz to NumPy Array ...
Done
Converting t10k-labels-idx1-ubyte.gz to NumPy Array ...
Done
Creating pickle file ...
Done!
5
(784,)
(28, 28)Process finished with exit code 0
