從TensorFlow中mnist數(shù)據(jù)集導(dǎo)出手寫體數(shù)字圖片的案例

這篇文章主要介紹了從TensorFlow中mnist數(shù)據(jù)集導(dǎo)出手寫體數(shù)字圖片的案例，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

mnist數(shù)據(jù)集是一個數(shù)字手寫體圖片庫，但它的存儲格式并非常見的圖片格式，所有的圖片都集中保存在四個擴展名為idx3-ubyte的二進制文件。

如果我們想要知道大名鼎鼎的mnist手寫體數(shù)字都長什么樣子，就需要從mnist數(shù)據(jù)集中導(dǎo)出手寫體數(shù)字圖片。了解這些手寫體的總體形狀，也有助于加深我們對TensorFlow入門課程的理解。

下面先給出通過TensorFlow api接口導(dǎo)出mnist手寫體數(shù)字圖片的python代碼，再對代碼進行分析。代碼在win7下測試通過，linux環(huán)境也可以參考本處代碼。

#!/usr/bin/python3.5
# -*- coding: utf-8 -*-
 
import os
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
 
from PIL import Image
 
# 聲明圖片寬高
rows = 28
cols = 28
 
# 要提取的圖片數(shù)量
images_to_extract = 8000
 
# 當(dāng)前路徑下的保存目錄
save_dir = "./mnist_digits_images"
 
# 讀入mnist數(shù)據(jù)
mnist = input_data.read_data_sets("MNIST_data/", one_hot=False)
 
# 創(chuàng)建會話
sess = tf.Session()
 
# 獲取圖片總數(shù)
shape = sess.run(tf.shape(mnist.train.images))
images_count = shape[0]
pixels_per_image = shape[1]
 
# 獲取標(biāo)簽總數(shù)
shape = sess.run(tf.shape(mnist.train.labels))
labels_count = shape[0]
 
# mnist.train.labels是一個二維張量，為便于后續(xù)生成數(shù)字圖片目錄名，有必要一維化(后來發(fā)現(xiàn)只要把數(shù)據(jù)集的one_hot屬性設(shè)為False，mnist.train.labels本身就是一維)
#labels = sess.run(tf.argmax(mnist.train.labels, 1))
labels = mnist.train.labels
 
# 檢查數(shù)據(jù)集是否符合預(yù)期格式
if (images_count == labels_count) and (shape.size == 1):
  print ("數(shù)據(jù)集總共包含 %s 張圖片，和 %s 個標(biāo)簽" % (images_count, labels_count))
  print ("每張圖片包含 %s 個像素" % (pixels_per_image))
  print ("數(shù)據(jù)類型：%s" % (mnist.train.images.dtype))
 
  # mnist圖像數(shù)據(jù)的數(shù)值范圍是[0,1]，需要擴展到[0,255]，以便于人眼觀看
  if mnist.train.images.dtype == "float32":
    print ("準(zhǔn)備將數(shù)據(jù)類型從[0,1]轉(zhuǎn)為binary[0,255]...")
    for i in range(0,images_to_extract):
      for n in range(pixels_per_image):
        if mnist.train.images[i][n] != 0:
          mnist.train.images[i][n] = 255
      # 由于數(shù)據(jù)集圖片數(shù)量龐大，轉(zhuǎn)換可能要花不少時間，有必要打印轉(zhuǎn)換進度
      if ((i+1)%50) == 0:
        print ("圖像浮點數(shù)值擴展進度：已轉(zhuǎn)換 %s 張，共需轉(zhuǎn)換 %s 張" % (i+1, images_to_extract))
 
  # 創(chuàng)建數(shù)字圖片的保存目錄
  for i in range(10):
    dir = "%s/%s/" % (save_dir,i)
    if not os.path.exists(dir):
      print ("目錄 ""%s"" 不存在！自動創(chuàng)建該目錄..." % dir)
      os.makedirs(dir)
 
  # 通過python圖片處理庫，生成圖片
  indices = [0 for x in range(0, 10)]
  for i in range(0,images_to_extract):
    img = Image.new("L",(cols,rows))
    for m in range(rows):
      for n in range(cols):
        img.putpixel((n,m), int(mnist.train.images[i][n+m*cols]))
    # 根據(jù)圖片所代表的數(shù)字label生成對應(yīng)的保存路徑
    digit = labels[i]
    path = "%s/%s/%s.bmp" % (save_dir, labels[i], indices[digit])
    indices[digit] += 1
    img.save(path)
    # 由于數(shù)據(jù)集圖片數(shù)量龐大，保存過程可能要花不少時間，有必要打印保存進度
    if ((i+1)%50) == 0:
      print ("圖片保存進度：已保存 %s 張，共需保存 %s 張" % (i+1, images_to_extract))
  
else:
  print ("圖片數(shù)量和標(biāo)簽數(shù)量不一致！")

上述代碼的實現(xiàn)思路如下：

1.讀入mnist手寫體數(shù)據(jù)；

2.把數(shù)據(jù)的值從[0,1]浮點范圍轉(zhuǎn)化為黑白格式(背景為0-黑色，前景為255-白色)；

3.根據(jù)mnist.train.labels的內(nèi)容，生成數(shù)字索引，也就是建立每一張圖片和其所代表數(shù)字的關(guān)聯(lián)，由此創(chuàng)建對應(yīng)的保存目錄；

4.循環(huán)遍歷mnist.train.images，把每張圖片的像素數(shù)據(jù)賦值給python圖片處理庫PIL的Image類實例，再調(diào)用Image類的save方法把圖片保存在第3步驟中創(chuàng)建的對應(yīng)目錄。

在運行上述代碼之前，你需要確保本地已經(jīng)安裝python的圖片處理庫PIL，pip安裝命令如下：

pip3 install Pillow

或 pip install Pillow，取決于你的pip版本。

上述python代碼運行后，在當(dāng)前目錄下會生成mnist_digits_images目錄，在該目錄下，可以看到如下內(nèi)容：

可以看到，我們成功地生成了黑底白字的數(shù)字圖片。

如果仔細觀察這些圖片，會看到一些肉眼也難以分辨的數(shù)字，譬如：

上面這幾個數(shù)字是2。想不到吧？

下面這兩個是5（看起來更像6）：

這個是7：（7長這樣？有句MMP不知當(dāng)講不當(dāng)講）

猜猜下面這個是什么：

這是大寫的L？不是。

有點像1，是1嗎？也不是。

倒立拉粑的7？sorry，又猜錯了。

實話告訴您，它是2！一開始我也是不相信的，知道真相的那一刻我下巴差點掉下來！

這些手寫圖片，一般人用肉眼觀察，識別率能達到98%就不錯了，但是通過TensorFlow搭建的卷積神經(jīng)網(wǎng)絡(luò)識別率可以達到99%，非常地神奇！

感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享的“從TensorFlow中mnist數(shù)據(jù)集導(dǎo)出手寫體數(shù)字圖片的案例”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關(guān)注億速云行業(yè)資訊頻道，更多相關(guān)知識等著你來學(xué)習(xí)!