2018-06-26 利用keras（tensorflow） 做

利用keras（tensorflow） 做cnn mnist识别

使用Python解析MNIST数据集（IDX文件格式）

Python os.listdir() 方法

PIL

python Numpy 函数整理（一）

python中range()和len()函数区别

numpy中array和asarray的区别

python中数组与多维数组用法介绍

python中reshape重组数据方式

Python图像处理库PIL中图像格式转换（一）

【基本图像操作】NumPy

Numpy数据类型对象（dtype）

---

需要解决有两个方案:

方案1：修改python代码，使用下载的mnist数据集

JPG、PNG与MNIST数据集之间的转换

浅析Python中的struct模块

详解 MNIST 数据集

代码解释见下面

Label File

先是一个32位的整形 表示的是Magic Number，这是用来标示文件格式的用的。一般默认不变，为2049

第二是图片的的数量

接下去就是一次排列图片的标示Label。

-

Image File

也是Magic Number。同上。保持不变2051.

图片的数量

图片的高

图片的宽

图片的像素点[灰度 256位]。

unpack(fmt, string)       按照给定的格式(fmt)解析字节流string，返回解析出来的tuple

> big-endian standard       按原字节数

见上图：图片宽高分别为28，所以有28*28=784个值

代码：

import os

import struct

import numpy as np

def load_mnist(path, kind='train'):

print("in load_mnist")

"""Load MNIST data from `path`"""  #注释

labels_path = os.path.join(path,'%s-labels.idx1-ubyte'%kind) #路径+train-labels-idx1-ubyte(gz文件)

images_path = os.path.join(path,'%s-images.idx3-ubyte'%kind) #路径+train-labels-idx1-ubyte(gz文件)

with open(labels_path, 'rb') as lbpath: #以二进制格式打开文件train-labels-idx1-ubyte用于只读，lbpath代表此文件对象

#从文件中读8个字节，1-4个字节为magic number,4-8个字节为图片数量，magic和n均为无符号整形     

magic, n = struct.unpack('>II',lbpath.read(8)) #>  big-endian 高字节在高位 II两个无符号整形，每个占4个字节

labels = np.fromfile(lbpath,dtype=np.uint8)

print("labels length=%d"%len(labels))

with open(images_path, 'rb') as imgpath:

#从文件中读16个字节，1-4个字节为magic number,4-8个字节为图片数量，rows为图片的高，cols为图片的宽,magic,num,rows,cols均为无符号整形

magic, num, rows, cols = struct.unpack('>IIII',imgpath.read(16))#> big-endian 高字节在高位IIII四个无符号整形，每个占4个字节

#读取图片数据，并转换为 60,000行784列的矩阵，也就是说一行是一张图片

images = np.fromfile(imgpath,dtype=np.uint8).reshape(len(labels), 784)

print("images length=%d"%len(images))

return images, labels

if __name__=='__main__':

images_train,labels_train=load_mnist('', kind='train') #cd mnist python load_mnist.py执行当前程序

print("images")

print (images_train)

print("labels")

print (labels_train)

print('Rows: %d, columns: %d' % (images_train.shape[0], images_train.shape[1]))

count = np.zeros(10)

nTrain = len(images_train)

for i in range(nTrain):

label = labels_train[i]

count[label] += 1

filename = './train/' + str(label) + '/' + str(label) + '_' + str(int(count[label])) + '.png'

print(filename)

img = images_train[i].reshape(28,28)

cv2.imwrite(filename, img) #找不到图片?

print(str(int(count[label])))

print("over")

---

方案2：mnist数据集转成图片用现在的代码

TensorFlow