python: MNIST的圖像顯示

import sys, os
sys.path.append(os.pardir)
import numpy as np
from dataset.mnist import load_mnist
from PIL import Image

def img_show(img):
    pil_img = Image.fromarray(np.uint8(img))
    pil_img.show()

(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True,
normalize=False)
img = x_train[0]
label = t_train[0]
print(label) # 5

print(img.shape)          # (784,)
img = img.reshape(28, 28) # 把圖像的形狀變成原來的尺寸
print(img.shape)          # (28, 28)

img_show(img)

顯示mnist圖像，執行上述代碼后，訓練圖像的第一張會顯示出來。sys.path.append(os.pardir)導入父目錄，第一次調用load_mnist函數時，因為要下載MNIST數據集，所以需要聯網進行。第2次及以后的調用只需要讀入保存在本地的文件（pickle文件）即可，因此處理所需時間都非常短。

 

load_mnist函數以“（訓練圖像，訓練標簽），（測試圖像，測試標簽）”的形式返回讀入的MNST數據。此外，還可以像

load_mnist(normalize=True, flatten=True, one_hot_label=False)

這樣，設置3個參數。第1個參數normalize設置是否將輸入圖像正規化為0.0~1.0的值。如果將該參數設置為False，則輸入圖像的像素會保持原來的0~255。第2個參數flatten設置是否展開輸入圖像（變成一維數據）。如果將該參數設置為False，則輸入圖像為1 × 28 × 28的三維數組；若設置為True，則輸入圖像會保存為由784個元素構成的一位數組。第3個參數one_hot_label設置是否將標簽保存為one-hot表示（one-hot representation）。one-hot表示是僅正確解標簽為1，其余皆為0的數組，就像[0,0,1,0,0,0,0,0,0,0]這樣。當one_hot_label為False時，知識想7,2這樣簡單保存正確解標簽；當one_hot_label為True時，標簽則保存為one-hot表示。

Python 有 pickle 這個便利的功能。這個功能可以將程序運行中的對象保存為文件。如果加載保存過的 pickle 文件，可以立刻復原之前程序運行中的對象。用於讀入 MNIST 數據集的 load_mnist() 函數內部也使用了 pickle 功能（在第 2 次及以后讀入時）。利用 pickle 功能，可以高效地完成 MNIST 數據的准備工作。

 這里需要注意的是，flatten=True 時讀入的圖像是以一列（一維）NumPy 數組的形式保存的。因此，顯示圖像時，需要把它變為原來的 28 像素 × 28 像素的形狀。可以通過 reshape() 方法的參數指定期望的形狀，更改 NumPy 數組的形狀。此外，還需要把保存為 NumPy 數組的圖像數據轉換為 PIL 用的數據對象，這個轉換處理由 Image.fromarray() 來完成。

 

 

img = x_train[0]           #x_train的形狀是（6000,784），即6000行728列的矩陣，所以x_train[0]表示第一列的784個數據

label = t_train[0]       #t_train的形狀是（6000，），即一行或者一列數據6000個，所以t_train[0]是第一個數據，這里它的值是5