学习人工智能少不了需要一些数据集，比如进行鉴黄的人工智能少不了一些类似的图片。进行语音识别的人工智能，语料库是少不了的。对于初学人工智能的同学常常为数据集而发愁。今天我们就介绍一个非常简单，但很有用的数据集，这就是mnist。这个数据集非常适合我们进行人工智能相关算法的学习和练习。
mnist 数据集是美国国家标准与技术研究所（national institute of standards and technology，简称nist）制作的一个非常简单的数据集。那么该数据集是什么内容呢？其实就是一些手写的阿拉伯数字（0到9十个数字）。
nist在制作数据集的时候还是很认真的。数据集中的训练集 (training set) 由来自 250 个不同人手写的数字构成，其中 50%是高中学生，50% 来自人口普查局 (the census bureau) 的工作人员。测试集(test set) 也是同样比例的手写数字数据。
如何下载mnist数据集mnist数据集可从其官网（http://yann.lecun.com/exdb/mnist/ ）下载，由于是国外网站，下载可能比较慢。它包含了四个部分:
训练集图片：train-images-idx3-ubyte.gz (9.9 mb, 解压后 47 mb, 包含 60,000 个样本)训练集标签：train-labels-idx1-ubyte.gz (29 kb, 解压后 60 kb, 包含 60,000 个标签)测试集图片：t10k-images-idx3-ubyte.gz (1.6 mb, 解压后 7.8 mb, 包含 10,000 个样本)测试集标签：t10k-labels-idx1-ubyte.gz (5kb, 解压后 10 kb, 包含 10,000 个标签)上述包含两种类型的内容，一种是图片，另外一种是标签，图片与标签一一对应。但是这里的图片并非是我们平时看到的图片文件，而是一个二进制的文件。该数据集以一个二进制的形式对6万个图片进行了存储。标签则是图片对应的真是数字。
如下图所示，本文将数据集下载到本地，并且解压后的结果。为了便于对比，这里面包含原始的压缩包和解压后的文件。
数据集的格式简析大家已经发现，压缩包解压后并非一个个的图片，而是每个压缩包对应着一个独立的问题。而在这个文件中存储着上万个图片或者标签的信息。那么这些信息是如何存储在这个文件当中的呢？
其实mnist的官网给出了详细的描述。以训练集的图片文件为例，官网给出的文件格式描述如下：
从上图可以看出，前4个32位数是该训练集的描述信息。其中第一个是魔数，为固定值0x0803；第二个是图片的数量，0xea60，也就是60000；第三个和第四个是图片的大小，也就是图片是28*28像素。下面则是以一个字节来描述每个像素。由于该文件中以一个字节来描述一个像素，可以知道像素的值可以是从0到255。其中0表示白色，而255表示黑色。
标签文件的格式与图片文件的类似。前面有两个32位数，其中第一个是魔数，固定值0x0801；第二个用于描述标签的数量。接下来的数据是每个标签的值，用一个字节表示。这里表示值的范围是
对应实际训练集的标签文件的数据如下所示。可以看出与上述格式的描述是一致的。另外，我们可以看出，对应该标签集，前面几张图片表示的数字分别应该是5，0，4，1等等。这里大家记一下，后面会用到。
关于数据集的文件格式我们了解了，下面我们实际操作一下。
数据集的可视化处理知道上述数据的存储格式后，我们就可以对数据进行解析了。比如下面本文实现了一个小程序，用于解析该图片集合中的某个图片，并得到可视化结果。当然，其实我们可以根据标签集合的值知道图片是什么，这里只是一个实验。最终结果是以一个文本文件存储的，用字符“y”表示笔迹，字符“0”表示背景色。具体程序代码很简单，本文不再赘述。
# -*- coding: utf-8 -*- def trans_to_txt(train_file, txt_file, index): with open(train_file, 'rb') as sf: with open(txt_file, w) as wf: offset = 16 + (28*28*index) cur_pos = offset count = 28*28 strlen = 1 out_count = 1 while cur_pos 0 : wf.write( y ) else: wf.write( 0 ) #由于图片是28列，因此在此进行换行 if out_count % 28 == 0 : wf.write(n) cur_pos += strlen out_count += 1 trans_to_txt(../data/train-images.idx3-ubyte, image.txt, 0)
我们运行上述代码，可以得到一个名为image.txt的文件。可以看到该文件的内容如下。其中红色笔记是后面添加了，主要是为看的清楚一些。从图中内容可以看出，这个其实就是手写的“5”。
前面我们通过原生的python接口对数据集进行了可视化的解析。python有很多已经实现好的库函数，因此我们可以通过一个库函数简化上述功能。
基于第三方库解析数据采用原生的python接口实现起来略显复杂。我们知道python有很多第三方库，因此我们可以借助第三方库来实现对数据集的解析和展示，具体代码如下。
# -*- coding: utf-8 -*- import os import struct import numpy as np # 读取数据集，以二维数组的方式返回图片信息和标签信息 def load_mnist(path, kind='train'): # 从指定目录加载数据集 labels_path = os.path.join(path, '%s-labels.idx1-ubyte' % kind) images_path = os.path.join(path, '%s-images.idx3-ubyte' % kind) with open(labels_path, 'rb') as lbpath: magic, n = struct.unpack('>ii', lbpath.read(8)) labels = np.fromfile(lbpath, dtype=np.uint8) with open(images_path, 'rb') as imgpath: #解析图片信息，存储在images中 magic, num, rows, cols = struct.unpack('>iiii', imgpath.read(16)) images = np.fromfile(imgpath, dtype=np.uint8).reshape(len(labels), 784) return images, labels # 在终端打印某个图片的数据信息 def print_image(data, index): idx = 0; count = 0; for item in data[index]: if count % 28 == 0: print() if item > 0: print(33[7;31my 33[0m, end=) else: print(0 , end=) count += 1 def main(): cur_path = os.getcwd() cur_path = os.path.join(cur_path, ..data) imgs, labels = load_mnist(cur_path) print_image(imgs, 0) if __name__ == __main__: main()
上述代码中分为两步，第一步是将数据集解析到数组中，第二步是对数组中的某个图片进行显示。这里显示也是通过文本的方式程序，只不过不是存储在文件中，而是打印在终端。比如我们依然打印第一个图片，其效果如下：
上述结果的呈现只是通过字符来模拟图片。其实我们可以借助第三方库实现更加完美的图片呈现。接下来我们介绍一下如何通过matplotlib库来呈现图片。这个库非常有用，后续还会接触到这个库。
我们实现一个
def show_image(data, index): fig, ax = plt.subplots(nrows=1, ncols=1, sharex=true, sharey=true, ) img = data[0].reshape(28, 28) ax.imshow(img, cmap='greys', interpolation='nearest') ax.set_xticks([]) ax.set_yticks([]) plt.tight_layout() plt.show()
此时可以看到
实现上述功能的时候可能会缺少一些第三方库，比如matplotlib等。此时需要我们手动进行安装，具体方法如下：
pip install matplotlib -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
基于tensorflow的数据解析mnist是如此出名，以至于tensorflow已经对其进行了支持。因此，我们可以通过tensorflow对其进行加载和解析。下面我们给出用tensorflow实现的代码。
# -*- coding: utf-8 -*- from tensorflow.examples.tutorials.mnist import input_data import pylab def show_mnist(): # 通过tensorflow库解析数据 mnist = input_data.read_data_sets(../data, one_hot=true) im = mnist.train.images[0] im = im.reshape(28 ,28) # 进行绘图 pylab.imshow(im, cmap='greys', interpolation='nearest') pylab.show() if __name__ == __main__: show_mnist()
该代码实现的最终效果与上一个实例一致，这里不再赘述。
以上就是想学习人工智能，这个的数据集必须掌握，mnist入门与实战的详细内容。