TensorFlow 下 mnist 数据集的操作及可视化

from tensorflow.examples.tutorials.mnist import input_data

首先需要连网下载数据集：

mnsit = input_data.read_data_sets(train_dir='./MNIST_DATA', one_hot=True)
    # 如果当前文件夹下没有 MNIST_DATA，会首先创建该文件夹，然后下载 mnist 数据集

训练集与测试集的划分：

X_train, y_train = mnist.train.images, mnist.train.labels
        # 返回的 X_train 是 numpy 下的 多维数组，(55000, 784)
X_test, y_test = mnist.test.images, mnist.test.labels
        # (10000, 784)
X_valid, y_valid = mnist.valid.images, mnist.valid.labels
        # (5000, 784)

当然可以通过迭代的形式以一定 batch_size 读取数据：

mnist.train.next_batch(100)

• mnist.train.next_batch() ⇒ 返回两个值，一个是图像数据，一个是图像数据对应的类别信息。

  >> X_batch, y_batch = mnist.train.next_batch(100)
  >> X_batch.shape
  (100, 784)
  >> y_batch.shape
  (100, 10)                 # one hot 编码

1. 可视化

# images：9*(28*28) 的 numpy.ndarray
# y_ 表示其真实的标签信息
def plot_mnist_3_3(images, y_, y=None):
    assert images.shape[0] == len(y_)
    fig, axes = plt.subplots(3, 3)
    for i, ax in enumerate(axes.flat):
        ax.imshow(images[i].reshape(image_shp), cmap='binary')
        if y is None:
            xlabel = 'True: {}'.format(y_[i])
        else:
            xlabel = 'True: {0}, Pred: {1}'.format(y_[i], y[i])
        ax.set_xlabel(xlabel)
        ax.set_xticks([])
        ax.set_yticks([])
    plt.show()