在Python中加载MNIST数据集可以通过多种方式实现，以下是几种常见的方法：
使用TensorFlow
```python
import tensorflow as tf
from tensorflow.keras.datasets import mnist
加载MNIST数据集
（train_images, train_labels）, （test_images, test_labels） = mnist.load_data（）
数据归一化
train_images = train_images / 255.0
test_images = test_images / 255.0
调整数据形状，增加通道维度（因为是灰度图像，通道数为 1）
train_images = train_images.reshape（（60000, 28, 28, 1））
test_images = test_images.reshape（（10000, 28, 28, 1））
使用TensorFlow Examples```pythonfrom tensorflow.examples.tutorials.mnist import input_data
加载MNIST数据集
mnist = input_data.read_data_sets（'MNIST_data', one_hot=True）
查看数据集形状
print（mnist.train.images.shape）
print（mnist.train.labels.shape）
print（mnist.validation.images.shape）
print（mnist.validation.labels.shape）
print（mnist.test.images.shape）
print（mnist.test.labels.shape）
使用PyTorch
```python
import torch
import torchvision.transforms as transforms
from torchvision import datasets
from torch.utils.data import DataLoader
定义转换：将图像转为 Tensor 并标准化
transform = transforms.Compose（[
transforms.ToTensor（）,
transforms.Normalize（（0.5,）, （0.5,））
]）
下载 MNIST 数据集
train_dataset = datasets.MNIST（root='./data', train=True, download=True, transform=transform）
test_dataset = datasets.MNIST（root='./data', train=False, download=True, transform=transform）
创建数据加载器
train_loader = DataLoader（train_dataset, batch_size=64, shuffle=True）
test_loader = DataLoader（test_dataset, batch_size=64, shuffle=False）
手动解压读取```pythonimport gzip
import struct
import numpy as np
def load_mnist_train（path）:
labels_path = os.path.join（path, 'train-labels-idx1-ubyte.gz'）
images_path = os.path.join（path, 'train-images-idx3-ubyte.gz'）
使用gzip打开文件
with gzip.open（labels_path, 'rb'） as lbpath:
使用struct.unpack方法读取前两个数据，>代表高位在前，I代表32位整型。
magic, n = struct.unpack（'>II', lbpath.read（8））
使用np读取图片数据
labels = np.frombuffer（lbpath.read（）, dtype=np.uint8）
with gzip.open（images_path, 'rb'） as imgpath:
images = np.frombuffer（imgpath.read（）, dtype=np.uint8）.reshape（n, 784）
return images, labels
以上是几种在Python中加载MNIST数据集的方法，您可以根据您的需求选择合适的方法。