python如何载入mnist数据集

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

 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

 from 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

 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

 import 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。