如何在 Python 中加载 MNIST 数据集

简介

MNIST 数据集是一个手写数字识别数据集，其中包含 60000 个训练样本和 10000 个测试样本。该数据集经常被用于测试机器学习算法的性能。

在本教程中，我们将介绍如何在 Python 中加载 MNIST 数据集。

步骤

1. 安装必要的库

在加载 MNIST 数据集之前，我们需要先安装必要的库。具体来说，我们需要安装 numpy 和 tensorflow。

pip install numpy
pip install tensorflow

2. 导入必要的库

在安装必要的库后，我们需要在 Python 代码中导入它们。具体来说，我们需要导入以下库：

import numpy as np
import tensorflow as tf
from tensorflow.keras.datasets import mnist

3. 加载 MNIST 数据集

加载 MNIST 数据集很简单。我们只需要使用以下代码：

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

该代码将训练图像和标签存储在 train_images 和 train_labels 变量中，将测试图像和标签存储在 test_images 和 test_labels 变量中。

4. 数据集的结构

下面是数据集的详细结构：

• train_images：形状为 (60000, 28, 28) 的 NumPy 数组，表示 60000 个训练图像，每个图像的大小为 28×28 像素。
• train_labels：形状为 (60000,) 的 NumPy 数组，表示 60000 个训练图像的数字标签。
• test_images：形状为 (10000, 28, 28) 的 NumPy 数组，表示 10000 个测试图像，每个图像的大小为 28×28 像素。
• test_labels：形状为 (10000,) 的 NumPy 数组，表示 10000 个测试图像的数字标签。

5. 示例代码

下面是完整的示例代码：

import numpy as np
import tensorflow as tf
from tensorflow.keras.datasets import mnist

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

print("训练图像的形状：", train_images.shape)
print("训练标签的形状：", train_labels.shape)
print("测试图像的形状：", test_images.shape)
print("测试标签的形状：", test_labels.shape)

该代码将打印出数据集中训练和测试图像/标签的形状。

总结

本文介绍了如何在 Python 中加载 MNIST 数据集。首先，我们安装了必要的库。然后，我们导入了这些库，并加载了 MNIST 数据集。最后，我们介绍了数据集的结构，并提供示例代码。