• 1、mnist数据集介绍：

• MNIST数据集是一个手写体数据集，简单说就是一堆这样东西 
  
• MNIST的官网地址是 MNIST; 通过阅读官网我们可以知道，这个数据集由四部分组成，分别是 
  ;
• 也就是一个训练图片集，一个训练标签集，一个测试图片集，一个测试标签集；我们可以看出这个其实并不是普通的文本文件或是图片文件，而是一个压缩文件，下载并解压出来，我们看到的是二进制文件，其中训练图片集的内容部分如此 
   
  这些二进制数据如何解释呢？在这里我们只针对官网的说法，对训练图片集和训练标签集进行解说，测试集是一样的道理。
• 针对训练标签集，官网上陈述有 
   
  官网说法，训练集是有60000个用例的，也就是说这个文件里面包含了60000个标签内容，每一个标签的值为0到9之间的一个数；回到我们的训练标签集上，按上面说的，我们先解析每一个属性的含义，offset代表了字节偏移量，也就是这个属性的二进制值的偏移是多少；type代表了这个属性的值的类型；value代表了这个属性的值是多少；description是对这个的说明；所以呢，这里对上面的进行一下说明，它的说法是“从第0个字节开始有一个32位的整数，它的值是0x00000801，它是一个魔数；从第4个字节开始有一个32位的整数，它的值是60000，它代表了数据集的数量；从第8个字节开始有一个unsigned byte，它的值是??，是一个标签值….”；我们现在针对我们看到的文件进行解说，看图 
   
  首先我们知道用sublime打开这个文件（是解压过的），是用十六进制表示的，也就是说里面的每一个数字代表了四个位，两个数字代表了一个字节；我们首先看到偏移量为0字节处0000 0801它就是代表了魔数，它的值为0000 0801，这里补充说一下什么是魔数，其实它就是一个校验数，用来判断这个文件是不是MNIST里面的train-labels.idx1-ubyte文件；接着往下看偏移量为4字节处0000 ea60,我们知道按照上面说过的这个应该是表示容量数，也就是60000,而60000的十六进制就是ea60,满足；再看偏移量为8字节处05，它就表示我们的标签值了，也就是说第一个图片的标签值为5,后面的也是依此类推；
• 接下来我们来看训练图片集，同样从官网上可以看到 
   
  其解说与上面的标签文件类似，但是这里还要补充说明一下，在MNIST图片集中，所有的图片都是28×28的，也就是每个图片都有28×28个像素；看回我们的上述图片，其表示，我们的train-images-idx3-ubyte文件中偏移量为0字节处有一个4字节的数为0000 0803表示魔数；接下来是0000 ea60值为60000代表容量，接下来从第8个字节开始有一个4字节数，值为28也就是0000 001c，表示每个图片的行数；从第12个字节开始有一个4字节数，值也为28,也就是0000 001c表示每个图片的列数；从第16个字节开始才是我们的像素值，用图片说话 
  ；而且每784个字节代表一幅图片 
  我们可以看到文件的二进制内容同我们分析的是一样的。
• 补充说明：在图示中我们可以看到有一个MSB first，其全称是”Most Significant Bit first”,相对称的是一个LSB first，“Least Significant Bit”; MSB first是指最高有效位优先，也就是我们的大端存储，而LSB对应小端存储；关于大端，小端，可以 参考

代码一共有三个文件组成

ReadMnistData.h

ReadMnistData.cpp

Main.cpp

其中ReadMnistData.h和ReadMnistData.cpp文件中定义了读取文件和保存成图片的函数，Main.cpp中是设置读取文件路径和保存路径。只需要设置文件的读取路径和保存路径，然后运行就可以了。

下面给出Main.cpp的代码：

#include "ReadMnistData.h"int main()
{ReadMnistData rmd;/*读取训练文件并保存成图片格式*/string filename_train_images = "C:\\Users\\lyf\\Desktop\\mnist\\train-images-idx3-ubyte";   //train images 文件路径string filename_train_labels = "C:\\Users\\lyf\\Desktop\\mnist\\train-labels-idx1-ubyte"; //train labels 文件路径string save_train_image_path = "C:\\Users\\lyf\\Desktop\\mnist\\train_images\\";      //train images 保存路径vector<cv::Mat> vec_train_images;          //保存读取的train imagesvector<int> vec_train_labels;              //保存读取的train labelsrmd.Read_Mnist_Images(filename_train_images, vec_train_images);          //读取train imagescout << "-----------------------------" << endl;rmd.Read_Mnist_Labels(filename_train_labels, vec_train_labels);           //读取train labelscout << "-----------------------------" << endl;rmd.Save_Mnist_Images(save_train_image_path, vec_train_images, vec_train_labels); //保存train_images//==================================================================================/*读取测试文件并保存成图片格式*/string filename_test_images = "C:\\Users\\lyf\\Desktop\\mnist\\t10k-images-idx3-ubyte";      //test images 文件路径string filename_test_labels = "C:\\Users\\lyf\\Desktop\\mnist\\t10k-labels-idx1-ubyte";        //test labels 文件路径string save_test_image_path = "C:\\Users\\lyf\\Desktop\\mnist\\test_images\\";         //test images 保存路径vector<cv::Mat> vec_test_images;            //保存读取的test imagesvector<int> vec_test_labels;                //保存读取的test labelsrmd.Read_Mnist_Images(filename_test_images, vec_test_images);         //读取test imagescout << "-----------------------------" << endl;rmd.Read_Mnist_Labels(filename_test_labels, vec_test_labels);          //读取test labelscout << "-----------------------------" << endl;rmd.Save_Mnist_Images(save_test_image_path, vec_test_images, vec_test_labels); //保存test_imagesreturn 0;
}

最后图片保存的结果如下：

文件命名格式：

如 0_00001.jpg：0表示对应图片的内容，即标签；00001表示标签为0的图片中第1张图片，00002为第2张图片，以此类推........

参考：http://m.blog.csdn.net/sysushui/article/details/53257185

            https://github.com/fengbingchun/NN_Test/blob/master/demo/DatasetToImage/funset.cpp