mnist数据集保存为图片

#coding: utf-8
from tensorflow.examples.tutorials.mnist import input_data
import scipy.misc
import os
import numpy as np# 读取MNIST数据集。如果不存在会事先下载。
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)# 我们把原始图片保存在MNIST_data/raw/文件夹下
# 如果没有这个文件夹会自动创建
train_set_save_dir = 'MNIST_data/raw/train/'
test_set_save_dir = 'MNIST_data/raw/test/' if os.path.exists(train_set_save_dir) is False:os.makedirs(train_set_save_dir)if os.path.exists(test_set_save_dir) is False:os.makedirs(test_set_save_dir)n_classes = 10
train_set_dirs = []
test_set_dirs = []
train_file = []
test_file = []for i in range(0, n_classes):train_dir = train_set_save_dir + str(i) + "/"train_set_dirs.append(train_dir)test_dir = test_set_save_dir + str(i) + "/"test_set_dirs.append(test_dir)train_file.append([])test_file.append([])if os.path.exists(train_dir) is False:os.makedirs(train_dir)if os.path.exists(test_dir) is False:os.makedirs(test_dir)print(mnist.train.images.shape)
print(mnist.test.images.shape)
print(mnist.train.labels.shape)
print(mnist.test.labels.shape)print(mnist.train.labels[0:10])
print(np.argmax(mnist.train.labels[0:10,:], axis=1))trainImageCounts = mnist.train.images.shape[0]
testImageCounts = mnist.test.images.shape[0]#exit()# 保存训练集图片
for i in range(0, trainImageCounts):# classIndex = np.argmax(mnist.train.labels[i], axis=0)train_file[classIndex].append('mnist_train_%d.jpg' % i)#continue# 保存文件的格式为 mnist_train_0.jpg, mnist_train_1.jpg, ... ,mnist_train_19.jpg#filename = train_set_save_dir + 'mnist_train_%d.jpg' % ifilename = train_set_dirs[classIndex] + 'mnist_train_%d.jpg' % i# 请注意，mnist.train.images[i, :]就表示第i张图片（序号从0开始）image_array = mnist.train.images[i, :]# TensorFlow中的MNIST图片是一个784维的向量，我们重新把它还原为28x28维的图像。image_array = image_array.reshape(28, 28)# 将image_array保存为图片# 先用scipy.misc.toimage转换为图像，再调用save直接保存。scipy.misc.toimage(image_array, cmin=0.0, cmax=1.0).save(filename)# 保存测试集图片
for i in range(0, testImageCounts):# classIndex = np.argmax(mnist.test.labels[i], axis=0)test_file[classIndex].append('mnist_test_%d.jpg' % i)#continue# 保存文件的格式为 mnist_train_0.jpg, mnist_train_1.jpg, ... ,mnist_train_19.jpg#filename = test_set_save_dir + 'mnist_test_%d.jpg' % ifilename = test_set_dirs[classIndex] + 'mnist_test_%d.jpg' % i# 请注意，mnist.test.images[i, :]就表示第i张图片（序号从0开始）image_array = mnist.test.images[i, :]# TensorFlow中的MNIST图片是一个784维的向量，我们重新把它还原为28x28维的图像。image_array = image_array.reshape(28, 28)# 将image_array保存为图片# 先用scipy.misc.toimage转换为图像，再调用save直接保存。scipy.misc.toimage(image_array, cmin=0.0, cmax=1.0).save(filename)for i in range(0, n_classes):trainLabelFile = open(train_set_dirs[i] + "list.txt", "w")for picFlie in train_file[i]:trainLabelFile.write(picFlie + "\n")trainLabelFile.close()testLabelFile = open(test_set_dirs[i] + "list.txt", "w")for picFlie in test_file[i]:testLabelFile.write(picFlie + "\n")testLabelFile.close()print('Please check: %s ' % train_set_save_dir)
print('Please check: %s ' % test_set_save_dir)

mnist数据集保存为图片相关推荐

[深度学习-实践]GAN基于手写体Mnist数据集生成新图片
系列文章目录深度学习GAN(一)之简单介绍深度学习GAN(二)之基于CIFAR10数据集的例子深度学习GAN(三)之基于手写体Mnist数据集的例子深度学习GAN(四)之PIX2PIX GAN ...
用python将照片做成数据集_python实战项目，struct模块的使用，将MNIST数据集转换为bmp图片...
最近学习 tensroflow,用到了入门级的经典数据集 MNIST,MNIST 包含几万张 28x28 像素大小的手写数字.但是它的存储是以字节流的形式存储的,几万张图片存储在一个文件里.一直对其很 ...
MNIST数据集转为.jpg图片格式
从mnist官网下载下来的mnist手写数据集是二进制文件流格式的,不能直接查看,如果需要查看,需要将二进制文件转化为jpg格式,可以用各种编程语言实现,如MATLAB.Python.C++等,本文是 ...
python 将MNIST数据集转为jpg图片格式
下载的数据集格式是字节存储的,有时需要转为图片格式,以下以测试集为例子,说明python转换代码. IDX数据格式这四个文件采用了IDX的文件格式,一种平铺直叙的方式: magic number s ...
使用Python将MNIST数据集转化为图片
1,对于训练集数据: import numpy as np import structfrom PIL import Image import osdata_file = 'somePath/trai ...
tensorflow（七）实现mnist数据集上图片的训练和测试
本文使用tensorflow实现在mnist数据集上的图片训练和测试过程,使用了简单的两层神经网络,代码中涉及到的内容,均以备注的形式标出. 关于文中的数据集,大家如果没有下载下来,可以到我的网盘去下 ...
将MNIST数据集转换成.jpg图片
MNIST数据集简介 # MNIST 数据集合共包含70000张手写数字图片 # 其中60000张用作训练集 # 10000张用作预测集 # 数据集包含了0-9共10类手写数字图片,每张 # 图片都做 ...
mnist数据集图片提取出来
# -*- coding: UTF-8 -*-# 把mnist数据集转成图片做测试,图片更为通用import cv2 import os from keras.datasets import mnis ...
GAN生成对抗网络基本概念及基于mnist数据集的代码实现
本文主要总结了GAN(Generative Adversarial Networks) 生成对抗网络的基本原理并通过mnist数据集展示GAN网络的应用. GAN网络是由两个目标相对立的网络构成的,在 ...

mnist数据集保存为图片

mnist数据集保存为图片相关推荐

最新文章

热门文章