想学习人工智能，这个的数据集必须掌握，MNIST入门与实战

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（http://yann.lecun.com/exdb/mnist/ ）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60000；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 += 1

trans_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 os
import struct
import 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("33[7;31mY 33[0m", end="")
        else:
            print("0 ", end="")
        
        count += 1

def 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 http://pypi.douban.com/simple/ --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_data
import pylab

def 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。