前期工作
1、请注意运行代码存入的文件夹的名称，要与代码中的path路径对应一致；
2、下载MNIST数据集（四个压缩包），并将四个压缩包的内容解压出来，如下图①；
3、在运行代码目录下，建立data文件夹，data文件夹下包含两个子文件夹data_a、data_c，最后在data_c文件夹下建立以0~9为名的十个文件夹，如下图②③；
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
说明：
1、这里提供两种路径选择，第一个是将所有的图片不区分索引，全部存入data_a文件夹内，第二个是按照图片索引的不同，存入data_c不同文件夹下；
2、可以通过range()函数，指定打印出图片的张数；
3、注意path对应的路径是否一致
# 将打印出的MNIST数据集中所有的图片存入一个data文件夹下
for i in range(0, 10):
path = "../CNN+Kreas框架+MNIST/data/data_a/"
name = str(i) + ".png"
mnist_save_img(x_train[i], path, name)
"""
# 按图片标签的不同，打印MNIST数据集的图片存入不同文件夹下
for i in range(0, 50):
path = "../CNN+Kreas框架+MNIST/data/data_c/" + str(y_train[i]) +"/"
name = str(i)+".png"
mnist_save_img(x_train[i], path, name)
"""–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
源码奉上：
# -*- coding: utf-8 -*-
# -*- author：zzZ_CMing CSDN address:https://blog.csdn.net/zzZ_CMing
# -*- 2018/07/09; 15:18
# -*- python3.5
"""
将MNIST数据集由二进制文件转为图片形式，保存于指定文件夹下
"""
import os
import struct
import numpy as np
import matplotlib.pyplot as plt
# 读MNIST数据集的图片数据
def mnist_load_img(img_path):
with open(img_path, "rb") as fp:
# >是以大端模式读取，i是整型模式，读取前四位的标志位，
# unpack()函数：是将4个字节联合后再解析成一个数，(读取后指针自动后移)
msb = struct.unpack('>i', fp.read(4))[0]
# 标志位为2051，后存图像数据；标志位为2049，后存图像标签
if msb == 2051:
# 读取样本个数60000，存入cnt
cnt = struct.unpack('>i', fp.read(4))[0]
# rows：行数28；cols：列数28
rows = struct.unpack('>i', fp.read(4))[0]
cols = struct.unpack('>i', fp.read(4))[0]
imgs = np.empty((cnt, rows, cols), dtype="int")
for i in range(0, cnt):
for j in range(0, rows):
for k in range(0, cols):
# 16进制转10进制
pxl = int(hex(fp.read(1)[0]), 16)
imgs[i][j][k] = pxl
return imgs
else:
return np.empty(1)
# 读MNIST数据集的图片标签
def mnist_load_label(label_path):
with open(label_path, "rb") as fp:
msb = struct.unpack('>i', fp.read(4))[0];
if msb == 2049:
cnt = struct.unpack('>i', fp.read(4))[0];
labels = np.empty(cnt, dtype="int");
for i in range(0, cnt):
label = int(hex(fp.read(1)[0]), 16);
labels[i] = label;
return labels;
else:
return np.empty(1);
# 分割训练、测试集的图片数据与图片标签
def mnist_load_data(train_img_path, train_label_path, test_img_path, test_label_path):
x_train = mnist_load_img(train_img_path);
y_train = mnist_load_label(train_label_path);
x_test = mnist_load_img(test_img_path);
y_test = mnist_load_label(test_label_path);
return (x_train, y_train), (x_test, y_test);
# 输出打印图片
def mnist_plot_img(img):
(rows, cols) = img.shape;
plt.figure();
plt.gray();
plt.imshow(img);
plt.show();
# 按指定位置保存图片
def mnist_save_img(img, path, name):
if not os.path.exists(path):
os.mkdir(path)
(rows, cols) = img.shape
fig = plt.figure()
plt.gray()
plt.imshow(img)
# 在既定路径里保存图片
fig.savefig(path + name)
# [start]
x_train = mnist_load_img("train-images.idx3-ubyte")
y_train = mnist_load_label("train-labels.idx1-ubyte")
# 将打印出的MNIST数据集中所有的图片存入一个data文件夹下
for i in range(0, 10):
path = "../CNN+Kreas框架+MNIST/data/data_a/"
name = str(i) + ".png"
mnist_save_img(x_train[i], path, name)
"""
# 按图片标签的不同，打印MNIST数据集的图片存入不同文件夹下
for i in range(0, 50):
path = "../CNN+Kreas框架+MNIST/data/data_c/" + str(y_train[i]) +"/"
name = str(i)+".png"
mnist_save_img(x_train[i], path, name)
"""
#mnist_plot_img(x_train[0, :, :])
"""
x_test = mnist_load_img("t10k-images.idx3-ubyte")
y_test = mnist_load_label("t10k-labels.idx1-ubyte")
"""效果展示：
