如何从TensorFlow的mnist数据集导出手写体数字图片
来源:互联网 发布:淘宝皇冠店铺100强 编辑:程序博客网 时间:2024/06/07 12:19
在TensorFlow的官方入门课程中,多次用到mnist数据集。
mnist数据集是一个数字手写体图片库,但它的存储格式并非常见的图片格式,所有的图片都集中保存在四个扩展名为idx3-ubyte的二进制文件。
如果我们想要知道大名鼎鼎的mnist手写体数字都长什么样子,就需要从mnist数据集中导出手写体数字图片。了解这些手写体的总体形状,也有助于加深我们对TensorFlow入门课程的理解。
下面先给出通过TensorFlow api接口导出mnist手写体数字图片的python代码,再对代码进行分析。代码在win7下测试通过,linux环境也可以参考本处代码。
(非常良心的注释和打印有木有)
#!/usr/bin/python3.5# -*- coding: utf-8 -*-import osimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datafrom PIL import Image# 声明图片宽高rows = 28cols = 28# 要提取的图片数量images_to_extract = 8000# 当前路径下的保存目录save_dir = "./mnist_digits_images"# 读入mnist数据mnist = input_data.read_data_sets("MNIST_data/", one_hot=False)# 创建会话sess = tf.Session()# 获取图片总数shape = sess.run(tf.shape(mnist.train.images))images_count = shape[0]pixels_per_image = shape[1]# 获取标签总数shape = sess.run(tf.shape(mnist.train.labels))labels_count = shape[0]# mnist.train.labels是一个二维张量,为便于后续生成数字图片目录名,有必要一维化(后来发现只要把数据集的one_hot属性设为False,mnist.train.labels本身就是一维)#labels = sess.run(tf.argmax(mnist.train.labels, 1))labels = mnist.train.labels# 检查数据集是否符合预期格式if (images_count == labels_count) and (shape.size == 1): print ("数据集总共包含 %s 张图片,和 %s 个标签" % (images_count, labels_count)) print ("每张图片包含 %s 个像素" % (pixels_per_image)) print ("数据类型:%s" % (mnist.train.images.dtype)) # mnist图像数据的数值范围是[0,1],需要扩展到[0,255],以便于人眼观看 if mnist.train.images.dtype == "float32": print ("准备将数据类型从[0,1]转为binary[0,255]...") for i in range(0,images_to_extract): for n in range(pixels_per_image): if mnist.train.images[i][n] != 0: mnist.train.images[i][n] = 255 # 由于数据集图片数量庞大,转换可能要花不少时间,有必要打印转换进度 if ((i+1)%50) == 0: print ("图像浮点数值扩展进度:已转换 %s 张,共需转换 %s 张" % (i+1, images_to_extract)) # 创建数字图片的保存目录 for i in range(10): dir = "%s/%s/" % (save_dir,i) if not os.path.exists(dir): print ("目录 ""%s"" 不存在!自动创建该目录..." % dir) os.makedirs(dir) # 通过python图片处理库,生成图片 indices = [0 for x in range(0, 10)] for i in range(0,images_to_extract): img = Image.new("L",(cols,rows)) for m in range(rows): for n in range(cols): img.putpixel((n,m), int(mnist.train.images[i][n+m*cols])) # 根据图片所代表的数字label生成对应的保存路径 digit = labels[i] path = "%s/%s/%s.bmp" % (save_dir, labels[i], indices[digit]) indices[digit] += 1 img.save(path) # 由于数据集图片数量庞大,保存过程可能要花不少时间,有必要打印保存进度 if ((i+1)%50) == 0: print ("图片保存进度:已保存 %s 张,共需保存 %s 张" % (i+1, images_to_extract)) else: print ("图片数量和标签数量不一致!")
上述代码的实现思路如下:
1.读入mnist手写体数据;
2.把数据的值从[0,1]浮点范围转化为黑白格式(背景为0-黑色,前景为255-白色);
3.根据mnist.train.labels的内容,生成数字索引,也就是建立每一张图片和其所代表数字的关联,由此创建对应的保存目录;
4.循环遍历mnist.train.images,把每张图片的像素数据赋值给python图片处理库PIL的Image类实例,再调用Image类的save方法把图片保存在第3步骤中创建的对应目录。
在运行上述代码之前,你需要确保本地已经安装python的图片处理库PIL,pip安装命令如下:
pip3 install Pillow
或 pip install Pillow,取决于你的pip版本。
上述python代码运行后,在当前目录下会生成mnist_digits_images目录,在该目录下,可以看到如下内容:
可以看到,我们成功地生成了黑底白字的数字图片。
如果仔细观察这些图片,会看到一些肉眼也难以分辨的数字,譬如:上面这几个数字是2。想不到吧?
下面这两个是5(看起来更像6):这个是7:(7长这样?有句MMP不知当讲不当讲)
猜猜下面这个是什么:
这是大写的L?不是。
有点像1,是1吗?也不是。
倒立拉粑的7?sorry,又猜错了。
实话告诉您,它是2!一开始我也是不相信的,知道真相的那一刻我下巴差点掉下来!
- 如何从TensorFlow的mnist数据集导出手写体数字图片
- TensorFlow学习笔记(1):使用softmax对手写体数字(MNIST数据集)进行识别
- Tensorflow手写体识别mnist
- MNIST手写体识别--tensorflow
- tensorflow 全连接神经网络 MNIST手写体数字识别
- tensorflow 卷积神经网络 LeNet-5模型 MNIST手写体数字识别
- 深度学习笔记——TensorFlow学习笔记(三)使用TensorFlow实现的神经网络进行MNIST手写体数字识别
- 求助Tensorflow下跑mnist手写体数据集遇到Cuda compute capability问题
- tensorflow MNIST数据集
- tensorflow tutorials(八):手写数字数据集MNIST介绍
- Tensorflow学习系列(三): tensorflow mnist数据集如何跑出99+的准确率
- 利用tensorflow一步一步实现基于MNIST 数据集进行手写数字识别的神经网络,逻辑回归
- caffe之利用mnist数据集训练好的lenet_iter_10000.caffemodel模型测试一张自己的手写体数字
- caffe之利用mnist数据集训练好的lenet_iter_10000.caffemodel模型测试一张自己的手写体数字
- MNIST基础手写体识别 tensorflow+Python
- 图像转化为手写体mnist格式的数据
- TensorFlow的MNIST数据识别
- DCGAN例子学习-MNIST 手写体数字生成
- centos 查看版本的多种方法
- ppt模板网站
- 初窥nodejs(四) ——express框架
- try catch finally的运行顺序
- UIAlertController使用
- 如何从TensorFlow的mnist数据集导出手写体数字图片
- eclipse报错:发现了以元素 'd:skin' 开头的无效内容。此处不应含有子元素 Console报错: sdk\system-images\android-22\android-wear\ar
- Qt 从入门到精通
- Python编程:从入门到实践(课后习题6)
- 详解安全漏洞的定义以及分类
- 计算机网络五层协议的体系结构各层的主要功能
- Python编程:从入门到实践(课后习题7)
- Gradle多环境多渠道打包
- 关于在线机器学习ftrl_proximal_lr的二三件事