# 1.MNIST数据集简介
1.MNIST数据集即MNIST手写数字图像集，是机器学习领域非常经典的一个数据集。
2.MNIST数据集由0到9的数字图像构成。训练图像有六万张，测试图像有一万张。这些图像可以用于学习和推理。
3.MNIST的图像数据是28px*28px的灰度图像，各个像素的取值在0到255之间。每个图像都相应地标有“0”、“1”、“2”、“3”、“4”、“5”...等标签。
4.MNIST数据集的一般使用方法：
先用训练图像进行学习，再用学习到的模型度量能在多大程度上对测试图像进行正确的分类。
# 2.MNIST数据集的下载与使用
《深度学习入门——基于Python的理论与实现》（斋藤康毅著，陆宇杰译）一书中提供了相关源代码的下载网址（http://www.ituring.com.cn/book/1921）。MNIST数据集的下载代码在dataset/mnist.py文件中，以下例子（源代码在ch03/mnist_show中）是对MNIST数据集的简单使用与解析。
# coding: utf-8
# 这里是对便利脚本dataset/mnist.py中load_mnist()函数的使用
import sys, os # os模块用于提供系统级别的操作，sys模块用于提供对解释器相关的操作
sys.path.append(os.pardir) # sys.path.append()用于添加系统环境变量，os.pardir就是当前目录的父目录
import numpy as np
from dataset.mnist import load_mnist # 因为已添加父目录为系统环境变量，所以此处可顺利导入父目录下dataset.mnist中的函数
from PIL import Image
# 用于显示图片的函数
def img_show(img):
pil_img = Image.fromarray(np.uint8(img)) # 将数组转换成图像
pil_img.show() # 显示图像
(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)
# 这里通过load_mnist函数读入了MNIST数据
# 该函数以（训练图像，训练标签），（测试图像，测试标签）的形式返回读入的MNIST数据
# 该函数可设置三个参数：normalize,flatten,one_hot_label
# normalize=true表示将输入图像像素正规化为0.0到1.0的值;反之，图像像素保持原来的0到255
# flatten=true表示输入图像会保存为由784个元素构成的一维数组;反之，图像保存为1*28*28的三维数组
# one_hot_label=true表示标签保存为one_hot形式（仅正确解标签为1其余为0的数组形式：[0,0,1,0,0,0,0,0,0,0]）;反之，标签简单保存。（如：1、2、3...）
img = x_train[0] # 将第一张训练图像存至img变量
label = t_train[0] # 将第一个训练标签存至label变量
print(label) # 打印出该训练标签
print(img.shape) # 打印出该训练图像的存储形状（像素数组存储格式）
img = img.reshape(28, 28) # 利用reshape函数把图像（像素数组）的形状变为原来的尺寸
print(img.shape) # (28, 28)
img_show(img) # 显示图像运行结果如下：
# 本博客参考了《深度学习入门——基于Python的理论与实现》（斋藤康毅著，陆宇杰译），特在此声明。
