数据集简介

介绍两种深度学习极其经典的数据集，每一个深耕深度学生的“玩家”都一定有所耳闻，但是我们往往深耕神经网络的算法原理，前向传播与反向传播，那么这些优秀的数据集是如何集成出来，又如何被读取的呢，知道菜的味道，却不闻饭香太不公平了吧，数据集制作也是一大学问，已经封脚，今天就来会会这被忽略的数据集

Mnist

出门右转

放个图，以免此块太空虚，简单来说就是一个“多人运动”，多人手写阿拉伯0~10的数据集，里面包含图片与标签，详情点击这里【Tensorflow 笔记 Ⅳ——mnist手写数字识别】瞧一波，不亏的，当然强中强，归官网，猛戳这里 THE MNIST DATABASE of handwritten digits

Fashion-Mnist

名如其集，肯定要比 Mnist Fashion 一些，多达几万件的衣服裤子，能不 Fashion 都难，具体的数据集描述与其他信息参见 Fashion-MNIST，这里多有摘抄。【哎越来越懒了，毕竟这种介绍的东西不是我们的心头菜┗|｀O′|┛ 嗷~~】

Fashion-MNIST是一个替代MNIST手写数字集的图像数据集。 它是由Zalando（一家德国的时尚科技公司）旗下的研究部门提供。其涵盖了来自10种类别的共7万个不同商品的正面图片。Fashion-MNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。60000/10000的训练测试数据划分，28x28的灰度图片。你可以直接用它来测试你的机器学习和深度学习算法性能，且不需要改动任何的代码。

这个数据集的样子大致如上图，embeding 动图在此

数据集制作需求来源

经典的MNIST数据集包含了大量的手写数字。十几年来，来自机器学习、机器视觉、人工智能、深度学习领域的研究员们把这个数据集作为衡量算法的基准之一。你会在很多的会议，期刊的论文中发现这个数据集的身影。实际上，MNIST数据集已经成为算法作者的必测的数据集之一。有人曾调侃道：“如果一个算法在MNIST不work, 那么它就根本没法用；而如果它在MNIST上work, 它在其他数据上也可能不work！”

Fashion-MNIST的目的是要成为MNIST数据集的一个直接替代品。作为算法作者，你不需要修改任何的代码，就可以直接使用这个数据集。Fashion-MNIST的图片大小，训练、测试样本数及类别数与经典MNIST完全相同。

写给专业的机器学习研究者

我们是认真的。取代MNIST数据集的原因由如下几个：

• MNIST太简单了。 很多深度学习算法在测试集上的准确率已经达到99.6%！不妨看看我们基于scikit-learn上对经典机器学习算法的评测 和这段代码： “Most pairs of MNIST digits can be distinguished pretty well by just one pixel”（翻译：大多数MNIST只需要一个像素就可以区分开！）
• MNIST被用烂了。 参考：“Ian Goodfellow wants people to move away from mnist”（翻译：Ian Goodfellow希望人们不要再用MNIST了。）
• MNIST数字识别的任务不代表现代机器学习。 参考：“François Cholle: Ideas on MNIST do not transfer to real CV” （翻译：在MNIST上看似有效的想法没法迁移到真正的机器视觉问题上。）

获取数据

很多的机器学习库已经内置了Fashion-MNIST数据或接口，方便你直接使用。

你可以使用以下链接下载这个数据集。Fashion-MNIST的数据集的存储方式和命名与经典MNIST数据集完全一致。

名称	描述	样本数量	文件大小	链接	MD5校验和
train-images-idx3-ubyte.gz	训练集的图像	60,000	26 MBytes	下载	8d4fb7e6c68d591d4c3dfef9ec88bf0d
train-labels-idx1-ubyte.gz	训练集的类别标签	60,000	29 KBytes	下载	25c81989df183df01b3e8a0aad5dffbe
t10k-images-idx3-ubyte.gz	测试集的图像	10,000	4.3 MBytes	下载	bef4ecab320f06d8554ea6380940ec79
t10k-labels-idx1-ubyte.gz	测试集的类别标签	10,000	5.1 KBytes	下载	bb300cfdad3c16e7a12a480ee83cd310

或者，你可以直接克隆这个代码库。数据集就放在data/fashion下。这个代码库还包含了一些用于评测和可视化的脚本。

git clone git@github.com:zalandoresearch/fashion-mnist.git

类别标注

每个训练和测试样本都按照以下类别进行了标注：

标注编号	描述
0	T-shirt/top（T恤）
1	Trouser（裤子）
2	Pullover（套衫）
3	Dress（裙子）
4	Coat（外套）
5	Sandal（凉鞋）
6	Shirt（汗衫）
7	Sneaker（运动鞋）
8	Bag（包）
9	Ankle boot（踝靴）

读取原理

从上面给的 Mnist 官网地址进入，这里的信息都从官网地址所获取而来
Mnist 数据集与 Fashion-Mnist 数据集的命名规范，格式，压缩类型等等，基本除了大小不一样，内部存储的数据不同，其它基本是一样的，包括内存地址中一些关键数据的相对地址都是相同的，所以它们两个数据集的读取方式基本一致【简直完全一致好不好】，所以我们可以从 mnist 数据集读取原理来读取 fashion-mnist 数据集

原理获取

一共有四个文件

train-images-idx3-ubyte: training set images
train-labels-idx1-ubyte: training set labels
t10k-images-idx3-ubyte:  test set images
t10k-labels-idx1-ubyte:  test set labels

训练集 60000，测试集 10000
官网对这 4 个文件列举了 如下信息，目的就是说明如何读取这些数据

TRAINING SET LABEL FILE (train-labels-idx1-ubyte)

[offset]	[type]	[value]	[description]
0000	32 bit integer	0x00000801(2049)	magic number (MSB first)
0004	32 bit integer	60000	number of items
0008	unsigned byte	??	label
0009	unsigned byte	??	label
…	…	…	…
xxxx	unsigned byte	??	label

TRAINING SET IMAGE FILE (train-images-idx3-ubyte)

[offset]	[type]	[value]	[description]
0000	32 bit integer	0x00000803(2051)	magic number
0004	32 bit integer	60000	number of images
0008	32 bit integer	28	number of rows
0012	32 bit integer	28	number of columns
0016	unsigned byte	??	pixel
0017	unsigned byte	??	pixel
…	…	…	…
xxxx	unsigned byte	??	pixel

TEST SET LABEL FILE (t10k-labels-idx1-ubyte)

[offset]	[type]	[value]	[description]
0000	32 bit integer	0x00000801(2049)	magic number (MSB first)
0004	32 bit integer	10000	number of items
0008	unsigned byte	??	label
0009	unsigned byte	??	label
…	…	…	…
xxxx	unsigned byte	??	label

TRAINING SET IMAGE FILE (train-images-idx3-ubyte)

[offset]	[type]	[value]	[description]
0000	32 bit integer	0x00000803(2051)	magic number
0004	32 bit integer	10000	number of images
0008	32 bit integer	28	number of rows
0012	32 bit integer	28	number of columns
0016	unsigned byte	??	pixel
0017	unsigned byte	??	pixel
…	…	…	…
xxxx	unsigned byte	??	pixel

四个表格中的 [offset] 就是数据的偏移量，我们发现图像数据与标签数据的 magic number 分别是 0x00000801 与 0x00000803，译成十进制就是 2049 与 2051，并且在 [offset] 的数据可以发现，图像数据与标签数据存储的位置分别是 0016 与 0008【例如对于训练的图像数据 [offset]=0004 的位置存储为数据量即 60000 张图】，因此 2049，2051，8，16就成了读取数据的关键，在代码中我们将应用 2049 与 2051 作为读取判断的先决条件，从 8，16 的 [offset] 处读取数据

最后官网还有一段对魔法函数的说明：

English	Chinese
The magic number is an integer (MSB first). The first 2 bytes are always 0. The third byte codes the type of the data: 0x08: unsigned byte 0x09: signed byte 0x0B: short (2 bytes) 0x0C: int (4 bytes) 0x0D: float (4 bytes) 0x0E: double (8 bytes)	magic number是整数（MSB在前）。前2个字节始终为0。 第三个字节编码数据的类型： 0x08：无符号字节 0x09：有符号字节 0x0B：short 类型（2个字节） 0x0C：整型 int（4个字节） 0x0D：浮点型 float（4个字节） 0x0E：双精度 double 型（8个字节）

gzip使用

由于压缩格式为 .gz 格式，所以我们需要使用 gzip 来管理压缩包，因此我们需要解压文件，再从解压的文件中获取偏移量 [offset]，魔法数字 magic number 来获取数据。gzip示例如下：
demo 内容为 how to use gzip，是一个去掉后缀的文本文件，当然加上后缀也无所谓
压缩

import gzipwith open('gzip_demo/demo', 'rb') as plain_file:with gzip.open('gzip_demo/demo.gz', 'wb') as zip_file:zip_file.writelines(plain_file)

解压

with gzip.open('gzip_demo/demo.gz') as g:print('读取 gz 文件:', g.read().decode('utf-8'))

字节存储顺序

字节存放顺序分为大尾存储（big endian）与小尾存储（little endian），定义如下：

大尾存储	小尾存储
数据的高字节存放在低地址就是大尾	数据的高字节存放在高地址的就是小尾
大尾存放时： 偏移地址 存放内容 0x0000 0x12 0x0001 0x34	小尾存放： 偏移地址 存放内容 0x0000 0x34 0x0001 0x12

在 numpy 中由此函数 numpy.dtype.newbyteorder 可以管理存储顺序，官网说明参见这里【English Version，中文版本】

•'S'-将数据类型从当前端切换到另一端
•'<'，'L'-小尾数
•“>”，“B”-大尾数法
•'='，'N'-本机顺序
•''，'I'-忽略（不更改字节顺序）
从上面四个 gz 文件的表格可知 [offset] 越小，存储的 [type] 越大，所以采用大尾存放机制，所以在文件读取代码中，我们将采取 np.dtype(np.uint32).newbyteorder('>') 进行控制

源码开干

文件列表说明

在父目录 dataset_download 文件夹下存在如下两个文件加，里面分别存放 mnist 数据集 与 fashion-mnist 数据集

模块导入

import tensorflow as tf
import gzip
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
import ostf.__version__

'1.15.2'

gzip 使用

with open('gzip_demo/demo', 'rb') as plain_file:with gzip.open('gzip_demo/demo.gz', 'wb') as zip_file:zip_file.writelines(plain_file)

with gzip.open('gzip_demo/demo.gz') as g:print('读取 gz 文件:', g.read().decode('utf-8'))

读取 gz 文件: how to use gzip

数据读取方式一

官网读取方式

mnist = input_data.read_data_sets('./dataset_download/mnist/', one_hot=False)print('train images shape:', mnist.train.images.shape,'\ntrain labels shape:', mnist.train.labels.shape)plt.imshow(mnist.train.images[0].reshape(28, 28), cmap='binary')
plt.title(str(mnist.train.labels[0]))plt.show()

Extracting ./dataset_download/mnist/train-images-idx3-ubyte.gz
Extracting ./dataset_download/mnist/train-labels-idx1-ubyte.gz
Extracting ./dataset_download/mnist/t10k-images-idx3-ubyte.gz
Extracting ./dataset_download/mnist/t10k-labels-idx1-ubyte.gz
train images shape: (55000, 784)
train labels shape: (55000,)

可以利用 fake_data=True 来 返回空列表数据

mnist = input_data.read_data_sets('./dataset_download/mnist/', fake_data=True, one_hot=False)
print('train images:', mnist.train.images,'\ntrain labels:', mnist.train.labels,'\nvalidation images:', mnist.validation.images,'\nvalidation labels:', mnist.validation.labels,'\ntest images:', mnist.test.images,'\ntest labels:', mnist.test.labels)

train images: []
train labels: []
validation images: []
validation labels: []
test images: []
test labels: []

数据获取方式二

定义大尾（big endian）存放方式

def read32(bytestream):dt = np.dtype(np.uint32).newbyteorder('>')return np.frombuffer(bytestream.read(4), dtype=dt)[0]

将 magic number=2051 作为图像文件在读取时的判断条件，读取的数据通过 data = np.frombuffer(buf, dtype=np.uint8) 转换成 numpy 数组，这是只有一个维度的数据，通过 data = data.reshape(num_images, rows, cols, 1) 获取 28×28 形式的数据

def extract_images(f):print('Extracting', f.name)with gzip.GzipFile(fileobj=f) as bytestream:magic = read32(bytestream)if magic != 2051:raise ValueError('Invalid magic number %d in MNIST image file: %s' %(magic, f.name))num_images = read32(bytestream)rows = read32(bytestream)cols = read32(bytestream)buf = bytestream.read(rows * cols * num_images)data = np.frombuffer(buf, dtype=np.uint8)data = data.reshape(num_images, rows, cols, 1)return data

one_hot 编码
dense_to_one_hot() 是官网使用的独热编码函数，one_hot() 则是重新定义的独热编码函数

def dense_to_one_hot(labels_dense, num_classes):num_labels = labels_dense.shape[0]index_offset = np.arange(num_labels) * num_classeslabels_one_hot = np.zeros((num_labels, num_classes))labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1return labels_one_hot

from sklearn.preprocessing import OneHotEncoderdef one_hot(labels):encoder = OneHotEncoder(sparse=False)one_hot = [[0],[1],[2],[3],[4],[5],[6],[7],[8],[9]]encoder.fit(one_hot)labels_reshape = labels.reshape(-1, 1)labels_onehot = encoder.transform(labels_reshape)return labels_onehot

将 magic number=2049 作为标签文件在读取时的判断条件
这里在 if not_hot: 判定中使用 one_hot() 函数代替 dense_to_one_hot()

def extract_labels(f, one_hot=False):print('Extracting', f.name)with gzip.GzipFile(fileobj=f) as bytestream:magic = read32(bytestream)if magic != 2049:raise ValueError('Invalid magic number %d in MNIST label file: %s' %(magic, f.name))num_items = read32(bytestream)buf = bytestream.read(num_items)labels = np.frombuffer(buf, dtype=np.uint8)if one_hot:return one_hot(labels)return labels

读取单个图像文件与单个标签文件
也可以不导入 gfile 包，将下面的 with 结构如下调换也能运转

with open(local_file, 'rb') as f:
    train_images = extract_images(f)

from tensorflow.python.framework import dtypes
from tensorflow.python.platform import gfiledef read_data_sets(one_hot=False,dtype=dtypes.float32,reshape=True,seed=None):local_image_file = 'dataset_download/mnist/train-images-idx3-ubyte.gz'with gfile.Open(local_image_file, 'rb') as f:train_images = extract_images(f)local_label_file = 'dataset_download/mnist/train-labels-idx1-ubyte.gz'with gfile.Open(local_label_file, 'rb') as f:train_labels = extract_labels(f)return train_images, train_labels

train_images, train_labels = read_data_sets()

Extracting dataset_download/mnist/train-images-idx3-ubyte.gz
Extracting dataset_download/mnist/train-labels-idx1-ubyte.gz

plt.imshow(train_images[0].reshape(28, 28), cmap='gray')
plt.title(train_labels[0], fontsize=20)
plt.axis('off')plt.show()

train_labels_onehot = one_hot(train_labels)
train_labels_onehot

array([[0., 0., 0., ..., 0., 0., 0.],[1., 0., 0., ..., 0., 0., 0.],[0., 0., 0., ..., 0., 0., 0.],...,[0., 0., 0., ..., 0., 0., 0.],[0., 0., 0., ..., 0., 0., 0.],[0., 0., 0., ..., 0., 1., 0.]])

train_labels_dense_to_one_hot = dense_to_one_hot(train_labels, 10)
train_labels_dense_to_one_hot

array([[0., 0., 0., ..., 0., 0., 0.],[1., 0., 0., ..., 0., 0., 0.],[0., 0., 0., ..., 0., 0., 0.],...,[0., 0., 0., ..., 0., 0., 0.],[0., 0., 0., ..., 0., 0., 0.],[0., 0., 0., ..., 0., 1., 0.]])

获取整个Mnist训练集、测试集与验证集

def get_dataset(one_hot=False,dtype=dtypes.float32,reshape=True,validation_size=5000,seed=None):train_image_file = 'dataset_download/mnist/train-images-idx3-ubyte.gz'with gfile.Open(train_image_file, 'rb') as f:train_images = extract_images(f)train_label_file = 'dataset_download/mnist/train-labels-idx1-ubyte.gz'with gfile.Open(train_label_file, 'rb') as f:train_labels = extract_labels(f)test_image_file = 'dataset_download/mnist/t10k-images-idx3-ubyte.gz'with gfile.Open(test_image_file, 'rb') as f:test_images = extract_images(f)    test_label_file = 'dataset_download/mnist/t10k-labels-idx1-ubyte.gz'with gfile.Open(test_label_file, 'rb') as f:test_labels = extract_labels(f)    validation_images = train_images[:validation_size]validation_labels = train_labels[:validation_size]train_images = train_images[validation_size:]train_labels = train_labels[validation_size:]return (train_images, train_labels), (test_images, test_labels), (validation_images, validation_labels)

(train_images, train_labels), (test_images, test_labels), (validation_images, validation_labels) = get_dataset()

Extracting dataset_download/mnist/train-images-idx3-ubyte.gz
Extracting dataset_download/mnist/train-labels-idx1-ubyte.gz
Extracting dataset_download/mnist/t10k-images-idx3-ubyte.gz
Extracting dataset_download/mnist/t10k-labels-idx1-ubyte.gz

fig = plt.figure(figsize=(20, 5))
image_list = [train_images[0].reshape(28, 28),test_images[0].reshape(28, 28),validation_images[0].reshape(28, 28)]label_list = [str(train_labels[0]),str(test_labels[0]),str(validation_labels[0])]for i in range(3):plt.subplot(1, 3, i + 1)plt.imshow(image_list[i], cmap='gray')plt.title(label_list[i], fontsize=20)plt.axis('off')plt.show()

获取整个 Fashion-Mnist 训练集、测试集与验证集

def get_dataset(one_hot=False,dtype=dtypes.float32,reshape=True,validation_size=5000,seed=None):train_image_file = 'dataset_download/fashion_mnist/train-images-idx3-ubyte.gz'with gfile.Open(train_image_file, 'rb') as f:train_images = extract_images(f)train_label_file = 'dataset_download/fashion_mnist/train-labels-idx1-ubyte.gz'with gfile.Open(train_label_file, 'rb') as f:train_labels = extract_labels(f)test_image_file = 'dataset_download/fashion_mnist/t10k-images-idx3-ubyte.gz'with gfile.Open(test_image_file, 'rb') as f:test_images = extract_images(f)    test_label_file = 'dataset_download/fashion_mnist/t10k-labels-idx1-ubyte.gz'with gfile.Open(test_label_file, 'rb') as f:test_labels = extract_labels(f)    validation_images = train_images[:validation_size]validation_labels = train_labels[:validation_size]train_images = train_images[validation_size:]train_labels = train_labels[validation_size:]return (train_images, train_labels), (test_images, test_labels), (validation_images, validation_labels)

(train_images, train_labels), (test_images, test_labels), (validation_images, validation_labels) = get_dataset()

Extracting dataset_download/fashion_mnist/train-images-idx3-ubyte.gz
Extracting dataset_download/fashion_mnist/train-labels-idx1-ubyte.gz
Extracting dataset_download/fashion_mnist/t10k-images-idx3-ubyte.gz
Extracting dataset_download/fashion_mnist/t10k-labels-idx1-ubyte.gz

标注编号	描述
0	T-shirt/top（T恤）
1	Trouser（裤子）
2	Pullover（套衫）
3	Dress（裙子）
4	Coat（外套）
5	Sandal（凉鞋）
6	Shirt（汗衫）
7	Sneaker（运动鞋）
8	Bag（包）
9	Ankle boot（踝靴）

class_dict = {0:'T-shirt', 1:'Trouser', 2:'Pullover', 3:'Dress', 4:'Coat',5:'Sandal', 6:'Shirt', 7:'Sneaker', 8:'Bag', 9:'Ankle boot'}fig = plt.figure(figsize=(20, 5))
image_list = [train_images[0].reshape(28, 28),test_images[0].reshape(28, 28),validation_images[0].reshape(28, 28)]label_list = [train_labels[0],test_labels[0],validation_labels[0]]for i in range(3):plt.subplot(1, 3, i + 1)plt.imshow(image_list[i], cmap='gray')plt.title(class_dict[label_list[i]], fontsize=20)plt.axis('off')plt.show()

数据获取方式三

本次直接将所有数据串在一起，为后期做 GAN 与 CGAN 做数据读取处理用，直接在函数内部将文件夹定位到 dataset_download，在定义解压函数中，并未使用 magic number 获取数据的方式，而是使用 head_size 即 [offset] 0008 与 0016 的方式获取

def extract_data(filename, num_data, head_size, data_size):with gzip.open(filename) as bytestream:bytestream.read(head_size)buf = bytestream.read(data_size * num_data)data = np.frombuffer(buf, dtype=np.uint8).astype(np.float)return data

获取 mnist 图像数据，与上面相同，获取的数据只有一个维度，我们需要将其 reshape 成 28×28 的形式

dataset_name = 'mnist'
data_dir = os.path.join("./dataset_download", dataset_name)
train_images_data = extract_data(data_dir + '/train-images-idx3-ubyte.gz', 60000, 16, 28 * 28)print('train_images_data shape:', train_images_data.shape)

train_images_data shape: (47040000,)

train_images = train_images_data.reshape(-1, 28, 28, 1)
print('train_images shape:', train_images.shape)

train_images shape: (60000, 28, 28, 1)

解析下方 load_data() 创建 one_hot 的方法，以 10 个类别为例，先创建一个暂存的零矩阵，在遍历修改零矩阵的值

a = np.array([5, 4, 8, 6, 3, 2, 4, 7, 8, 1])
a_one_hot = np.zeros((len(a), 10), dtype=float)for i, label in enumerate(a):a_one_hot[i, label] = 1.0print('a:\n', a,'\na_one_hot:', a_one_hot)

a:[5 4 8 6 3 2 4 7 8 1]
a_one_hot: [[0. 0. 0. 0. 0. 1. 0. 0. 0. 0.][0. 0. 0. 0. 1. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 1. 0.][0. 0. 0. 0. 0. 0. 1. 0. 0. 0.][0. 0. 0. 1. 0. 0. 0. 0. 0. 0.][0. 0. 1. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 1. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 1. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 1. 0.][0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]]

def load_data(dataset_name, onehot=False):data_dir = os.path.join("./dataset_download", dataset_name)data = extract_data(data_dir + '/train-images-idx3-ubyte.gz', 60000, 16, 28 * 28)train_images = data.reshape((-1, 28, 28, 1))data = extract_data(data_dir + '/train-labels-idx1-ubyte.gz', 60000, 8, 1)train_labels = data.reshape((-1))data = extract_data(data_dir + '/t10k-images-idx3-ubyte.gz', 10000, 16, 28 * 28)test_images = data.reshape((-1, 28, 28, 1))data = extract_data(data_dir + '/t10k-labels-idx1-ubyte.gz', 10000, 8, 1)test_labels = data.reshape((-1))train_images = np.asarray(train_images)test_labels = np.asarray(test_labels)X = np.concatenate((train_images, test_images), axis=0)y = np.concatenate((train_labels, test_labels), axis=0).astype(np.int)seed = 547np.random.seed(seed)np.random.shuffle(X)np.random.seed(seed)np.random.shuffle(y)if onehot== True:y_vec = np.zeros((len(y), 10), dtype=np.float)for i, label in enumerate(y):y_vec[i, y[i]] = 1.0return X, y_vecreturn X, y

读取整个 Mnist 数据集

images, labels = load_data('mnist')
plt.imshow(images[520].reshape(28, 28), cmap='gray')
plt.title(str(labels[520]), fontsize=20)
plt.axis('off')
plt.show()

读取整个 Fashion-Mnist 数据集

class_dict = {0:'T-shirt', 1:'Trouser', 2:'Pullover', 3:'Dress', 4:'Coat',5:'Sandal', 6:'Shirt', 7:'Sneaker', 8:'Bag', 9:'Ankle boot'}images, labels = load_data('fashion_mnist')
plt.imshow(images[1314].reshape(28, 28), cmap='gray')
plt.title(class_dict[labels[1314]], fontsize=20)
plt.axis('off')
plt.show()

Tensorflow 笔记 XIII——“百无聊赖”：深挖 mnist 数据集与 fashion-mnist 数据集的读取原理，经典数据的读取你真的懂了吗？相关推荐

1. 【TensorFlow】TensorFlow从浅入深系列之七 -- 教你使用验证数据集判断模型效果

   本文是<TensorFlow从浅入深>系列之第7篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维导 ...

2. 【TensorFlow】TensorFlow从浅入深系列之九 -- 教你认识图像识别中经典数据集

   本文是<TensorFlow从浅入深>系列之第9篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维导 ...

3. 【TensorFlow】TensorFlow从浅入深系列之十三 -- 教你深入理解模型持久化（模型保存、模型加载）

   本文是<TensorFlow从浅入深>系列之第13篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维 ...

4. 【TensorFlow】TensorFlow从浅入深系列之十二 -- 教你深入理解卷积神经网络中的池化层

   本文是<TensorFlow从浅入深>系列之第12篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维 ...

5. 【TensorFlow】TensorFlow从浅入深系列之十一 -- 教你深入理解卷积神经网络中的卷积层

   本文是<TensorFlow从浅入深>系列之第11篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维 ...

6. 【TensorFlow】TensorFlow从浅入深系列之十 -- 教你认识卷积神经网络的基本网路结构及其与全连接神经网络的差异

   本文是<TensorFlow从浅入深>系列之第10篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维 ...

7. 【TensorFlow】TensorFlow从浅入深系列之八 -- 教你学会变量管理

   本文是<TensorFlow从浅入深>系列之第8篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维导 ...

8. 计算机视觉两个入门数据集（mnist和fashion mnist）本地下载地址

   1.计算机视觉经典数据集 1.mnist数据集 MNIST(Mixed National Institute of Standards andTechnology database)数据集大家可以说是 ...

9. TensorFlow学习笔记02:使用tf.data读取和保存数据文件

   TensorFlow学习笔记02:使用tf.data读取和保存数据文件 使用`tf.data`读取和写入数据文件 读取和写入csv文件 写入csv文件 读取csv文件 读取和保存TFRecord文件 ...

最新文章

1. 图像指针与矩阵格式转换——Mat转uchar*及uchar*转Mat代码实现
2. 学习 ---AJAX如何用于Web部件
3. The 5th Zhejiang Provincial Collegiate Programming Contest------ProblemK：Kinds of Fuwas
4. html正则判断全数字,javascript如何判断是不是数字？
5. 什么是引力波？它是怎么被发现的？
6. python更改当前工作路径
7. 使用sync-request和cheerio写爬虫
8. GOOGLE 分布式系统关键技术论文分析
9. LSTM 文本分类模型的实现
10. 赚自己的淘宝佣金，让返利网无路可走
11. html 设置div背景颜色,CSS设置网页背景颜色技术教程篇
12. 关于STM32L476位带操作的说明
13. python编程从入门到实践练习7-10：梦想的旅游胜地
14. [JZOJ3339]【NOI2013模拟】wyl8899和法法塔的游戏
15. 库存控制系统(inventory control system)
16. A1059. 求解二元整数不定方程
17. Java初学者零基础分章学习后续
18. style name=Base.Widget.AppCompat.ActionButton parent=android:Widget.Material.Acti
19. 转载:Ajax控件视频教程下载地址
20. gdb 查看内存 及 变量类型

热门文章

1. c语言常用编程,常用C语言编程的习惯.doc
2. 四大关键词，看刘军如何诠释“智慧联想”四大业务
3. gui-gio：温度转换器的demo2
4. react + dataV + three.js + blender 实现3D可视化大屏效果
5. 百度量子披荆斩浪，与如流共赴效率之舞
6. centos7 防火墙（关闭、开启、开机关闭、开机自启等）
7. PCB生成丝印图纸（PDF）
8. 旭凤锦覓虐心 恋只愿共赴鸿蒙,《香蜜》原著锦觅和旭凤的“虐恋情深”：细想，他们的爱情，不美...
9. MAYA刷权重卡顿问题
10. html 纯ccs弹窗口,CCS+DIV实战代码示例--一个静态页面