MNIST数据集包含哪三个部分,mnist数据库
首先必须向大家强调的是，这个数据集的名字是MNIST，不是MINIST~ ~我之前搞错了！哈哈~网上有很多使用MNIST数据集的教程，不是太麻烦就是翻墙下载慢。在这里，分享一下我找到的最方便的方法。
1下载数据集并解压缩。1从这个没有网络限制的百度云链接下载会更快：链接：https://pan.baidu.com/s/1ydcCsPBlP6U9Hw52TMnhkw提取代码：8zjp
2(需要翻墙)从MNIST官网下载以下四个文件，下载速度很慢！下载了4个压缩包。gz格式。
解压缩后，获得四个新文件。
之前的4。gz压缩包可以删除。
2创建一个新的。名为input_data的py文件。将以下代码复制并粘贴到input_data.py中
#版权所有2015 tensor flow作者。保留所有权利。##根据Apache许可证2.0版(“许可证”)获得许可；#除非符合许可证的规定，否则您不得使用本文件。#您可以通过# # http://www.apache.org/licenses/许可证-2.0##获得许可证的副本。除非适用法律要求或书面同意，根据许可证分发的软件#按“原样”分发，#不附带任何种类的明示或暗示的担保或条件。#请参见许可协议，了解许可协议下的特定语言管理权限和#限制。#======================================================================下载和读取MNIST数据的功能 from _ _ future _ _ I import absolute _ import from _ _ future _ _ import division from _ _ future _ _ import print _ function import gzip import OSI import tempfile import numpy from six . moves import URL lib from six . moves import xrange # Pylint:disable=redefined-builtin import tensor flow as TF from tensor flow . contrib . learn . python . learn . datasets . mnistimportread _ data _ sets 3构建您的python项目并将input_data.py放入您的项目中。
4在你的python文件中(我的是main.py，input_data.py需要在第一个目录中。)使用input _ data导入张量流作为tfimport input _ data #下载加载MNIST手写数据库#下面这句话的作用是使用input _ data.py的内容自动下载数据集，如果数据集已经存在，那么可以不下载直接调用mnist=input _ data . read _ data _ sets( mnist _ data ，one _ hot=true)运行程序。但是，如果不出意外，你跑了很久也不会有结果。因为网络限制等问题，如果要长时间下载，请终止程序，转到步骤5。
5打开你的项目文件目录，新建一个文件夹MINIST_data(如果你之前运行过一次，这个文件夹会存在，但是里面什么都没有)把第一步下载并解压的文件复制粘贴到MINIST_data这个文件夹中
现在通过这两个代码就可以正常获取minist数据集了，因为每次直接调用都很方便，不用下载。
import _ datamnist=input _ data . read _ data _ sets( mnist _ data ，one _ hot=true)最后附上一个CNN的例子供你测试。
导入numpy作为NP导入matplotlib。py绘图为pltimport张量流为TF import input _ data import osos。environ[ TF _ CPP _ MIN _ LOG _ LEVEL ]= 2 #下载并载入手写数字识别手写数据库mnist=input _ data。读取数据集( MNIST _数据，one_hot=True)#无表示kfdxf的第一个维度可以是任意长度输入x=TF。占位符(TF。浮点32，[无，28*28])/255 #灰度值：0 ~ 255 output _ y=TF。占位符(TF。int 32，[None，10]) #输出：10个数字的标签输入_ x _图像=TF。shape(input _ x，[-1，28，28，1]) #改变形状之后的输入# 从测试数据集中选取3000个手写数字的图片和对应标签test _ x=Mn ist。测试。图像[:3000]#图片test _ y=Mn ist。测试。标签[:3000]#标签# 构建卷积神经网络# 第一层卷积con v1=TF。层次。conv 2d(输入=输入_ x _图像，#形状是[28,28,1]过滤器=32,# 32个过滤器，输出的深度是32 kernel_size=[5，5]，#过滤器在二维的大小是(5.5)步=1,#步长是一填充=相同,#相同表示输出的大小不变，因此需要在外围补0两圈activation=tf.nn.relu #激活函数是Relu ) #形状[28, 28, 32]# 第一层池化（亚采样)池1=TF。层次。max _ pooling 2d(输入=con v1，#形状[28,28,32]池大小=[2,2],#过滤器在二维的大小是(2 * 2)步=2 #步长是2) # 形状[14, 14, 32]# 第2层卷积con v2=TF。层次。conv 2d(输入=池1，#形状是[14,14,32]过滤器=64,# 64个过滤器，输出的深度是64 kernel_size=[5，5]，#过滤器在二维的大小是(5.5)步=1,#步长是一填充=相同,#相同表示输出的大小不变，因此需要在外围补0两圈activation=tf.nn.relu #激活函数是Relu ) #形状[14, 14, 64]# 第2层池化（亚采样)池2=TF。层次。max _ pooling 2d(输入=con v2，#形状[14,14,64]池大小=[2,2],#过滤器在二维的大小是(2 * 2)步=2 #步长是2) # 形状[7, 7, 64]# 平坦化(平)平=TF。形状(池2，[-1，7 * 7 * 64]) #形状[7 * 7 * 64, ]# 1024个神经元的全链接层密集=TF。层次。dense(输入=flat，单位=1024，激活=tf.nn.relu)# Dropout:丢弃50%,速率=0.5下降=tf.layers。下降（输入=密集，速率=0.5)# 10个神经元的券链接层，这里不用激活函数来做非线性话了logits=tf.layers.dense(输入=下降，单位=10) #输出。形状[1, 1, 10]# 计算误差（计算交叉熵（交叉熵),再用Softmax计算百分比概率)损失=TF。损失。软max _ cross _ entropy(onehot _ labels=output _ y，logits=logits)# Adam优化器来最小化误差，学习率0。001 train _ op=TF。火车。adamotimizer(learning _ rate=0.001).最小化（损失)#精度。计算预测值和实际标签的匹配程度# 返回（精度，update_op)，会创建两个局部变量精度=TF。度量标准。准确度(标签=TF。arg max(output _ y，axis=1)，predictions=tf.argmax(logits，axis=1)，)[1]with tf .会话()作为会话：#初始化全局和局部变量init=TF。组(TF。global _ variables _ initializer()。local _ variables _ initializer()sess。对范围(20000)中的I运行(init):batch=mnist。火车。下一批(50)#从训练集中取下一个50个样本train_loss，train_op_=sess.run([loss，train_op]，{input_x: batch[0]，output _ y:batch[1]})if I % 100==0:Test _ accuracy=sess。run(accuracy，{input_x: test_x，output _ y:Test _ y })print( Step=% d，Train loss=%.4f，[Test accuracy=%.2f] % (i，train_loss，Test _ accuracy))Test _ output=sess。运行(logits，推测的数字print(np.argmax(test_y[:20]，1)，实数)#真实的数字
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。