使用MNIST数据集

article/2025/9/22 20:01:47

首先，必须向各位强调的是：该数据集名字叫MNIST，而非MINIST～我之前就一直弄错了！哈哈～

网上有很多使用MNIST数据集的教程，要么太麻烦，要么需要翻墙下载，很慢。在这里分享一下我找到的最方便的方法

1 下载数据集并解压。

法1 从这个百度云链接下载

没有网络限制会比较快：链接: https://pan.baidu.com/s/1ydcCsPBlP6U9Hw52TMnhkw 提取码: 8zjp

法2 （需要翻墙）从MNIST官网中下载下图四个文件，下载速度很慢！

下载的是4个.gz格式的压缩包
解压后得到四个新文件
之前的4个.gz压缩包就可以删除了

2 新建一个.py文件，起名为 input_data.py

将下面的代码复制粘贴进input_data.py中

# Copyright 2015 The TensorFlow Authors. All Rights Reserved.
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# =============================================================================="""Functions for downloading and reading MNIST data."""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_functionimport gzip
import os
import tempfileimport numpy
from six.moves import urllib
from six.moves import xrange  # pylint: disable=redefined-builtin
import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets

3 建立你的python项目，将input_data.py放在你的项目中

在这里插入图片描述

4 在你的python文件中（我的就是main.py，需要和input_data.py在头一个目录下）使用input_data

import tensorflow as tf
import input_data# 下载并载入MNIST手写数据库
# 下面这句话的功能是使用input_data.py的内容自动下载数据集，如果数据集已经存在，则不用下载直接调用
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

现在就可以运行程序了。但是不出意外的话你运行很久也不会有结果，因为网络限制等问题，要下载很长时间，请终止程序，进行步骤5。

5 打开你的项目文件目录，新建一个文件夹 MINIST_data （如果你之前运行过一遍的话，这个文件夹会存在，但是里面没有东西）

把第一步下载并解压的文件复制粘贴到MINIST_data这个文件夹中

在这里插入图片描述

现在就可以正常地通过这两句代码得到minist数据集了，因为不用下载，每次直接调用即可，所以很方便。

import input_data
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

最后附一个CNN的例子可供大家测试

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
import input_data
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'# 下载并载入MNIST手写数据库
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)# None表示张量的第一个维度可以是任意长度
input_x = tf.placeholder(tf.float32, [None, 28*28])/255  # 灰度值：0～255
output_y = tf.placeholder(tf.int32, [None, 10])   # 输出：10个数字的标签
input_x_images = tf.reshape(input_x, [-1, 28, 28, 1])  # 改变形状之后的输入# 从测试数据集中选取3000个手写数字的图片和对应标签
test_x = mnist.test.images[:3000]  # 图片
test_y = mnist.test.labels[:3000]  # 标签# 构建卷积神经网络
# 第 1 层卷积
conv1 = tf.layers.conv2d(inputs=input_x_images,  # 形状是[28, 28, 1]filters=32,  # 32个过滤器，输出的深度是32kernel_size=[5, 5],  # 过滤器在二维的大小是（5，5）strides=1,  # 步长是1padding='same',  # same表示输出的大小不变，因此需要在外围补0两圈activation=tf.nn.relu  # 激活函数是Relu)  # 形状[28, 28, 32]
# 第 1 层池化（亚采样）
pool1 = tf.layers.max_pooling2d(inputs=conv1,  # 形状[28, 28, 32]pool_size=[2,2],  # 过滤器在二维的大小是（2 * 2）strides=2  # 步长是2
)  # 形状[14, 14, 32]# 第 2 层卷积
conv2 = tf.layers.conv2d(inputs=pool1,  # 形状是[14， 14， 32]filters=64,  # 64个过滤器，输出的深度是64kernel_size=[5, 5],  # 过滤器在二维的大小是（5，5）strides=1,  # 步长是1padding='same',  # same表示输出的大小不变，因此需要在外围补0两圈activation=tf.nn.relu  # 激活函数是Relu)  # 形状[14, 14, 64]# 第 2 层池化（亚采样）
pool2 = tf.layers.max_pooling2d(inputs=conv2,  # 形状[14, 14, 64]pool_size=[2,2],  # 过滤器在二维的大小是（2 * 2）strides=2  # 步长是2
)  # 形状[7, 7, 64]# 平坦化（flat）
flat = tf.reshape(pool2, [-1, 7 * 7 * 64])  # 形状[7 * 7 * 64, ]# 1024个神经元的全链接层
dense = tf.layers.dense(inputs=flat, units=1024, activation=tf.nn.relu)# Dropout:丢弃50%，rate=0.5
dropout = tf.layers.dropout(inputs=dense, rate=0.5)# 10个神经元的券链接层，这里不用激活函数来做非线性话了
logits = tf.layers.dense(inputs=dropout, units=10)  # 输出。形状[1, 1, 10]# 计算误差（计算Cross entropy（交叉熵），再用Softmax计算百分比概率）
loss = tf.losses.softmax_cross_entropy(onehot_labels=output_y, logits=logits)# Adam 优化器来最小化误差，学习率0。001
train_op = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)# 精度。计算 预测值 和 实际标签的匹配程度
# 返回（accuracy, update_op）,会创建两个局部变量
accuracy = tf.metrics.accuracy(labels=tf.argmax(output_y, axis=1),predictions=tf.argmax(logits, axis=1),)[1]with tf.Session() as sess:# 初始化全局和局部变量init = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())sess.run(init)for i in range(20000):batch = mnist.train.next_batch(50)  # 从训练集中取下一个50个样本train_loss, train_op_ = sess.run([loss, train_op], {input_x: batch[0], output_y: batch[1]})if i % 100 == 0:test_accuracy = sess.run(accuracy, {input_x: test_x, output_y: test_y})print("Step=%d, Train loss=%.4f, [Test accuracy=%.2f]" % (i, train_loss, test_accuracy))test_output = sess.run(logits, {input_x: test_x[:20]})inferenced_y = np.argmax(test_output, 1)print(inferenced_y, 'Inferenced numbers')  # 推测的数字print(np.argmax(test_y[:20], 1), 'Real numbers')  # 真实的数字