测试环境

• python2.7
• JupyterLab
• tensorflow1.4.0

Ipython文件下载地址，帮忙star一下

       Github地址

环境配置

!pip install tensorflow==1.4.0
!pip install scipy==1.2.1   #(不行就安装scipy1.0.0)否则报错（no modul named 'scipy'）
!pip install Pillow   #否则报错（'module' object has no attribute 'toimage'）
!pip install numpy

理论依据

1.MNIST数据集介绍

• MNIST数据集主要由一-些手写数字的图片和相应的标签组成，图片一共有10类，分别对应从0~9，共10个阿拉伯数字。
• 原始的MNIST数据库一共包含下面4个文件

• 图像数据:是指很多张手写字符的图像
• 图像标签:是指每张图像实际对应的数字是几，也就是说在MNIST数据集中的每一张图像都事先标明了对应的数字

2.下载MNIST数据集，并打印一些基本信息

1.在执行语句mnist = input data.read data_sets("MNIST data/",one_hot=-True)时，

2.TensorFlow会检测数据是否存在。当数据不存在时，系统会自动将数据下载到MNIST _data/文件夹中。

3.当执行完语句后，读者可以自行前往MNIST _data/文件夹下查看上述4个文件是否已经被正确地下载。

4.下载数据集之后，我们利用一下属性访问数据集，变量mnist.train.images和mnist.rain.labels、后四个mnist.validation.images 、mnist,validation.labels 、mnist.testimages 、mnistest.labels四个变量与它们非常类似，唯一的区别只是图像的个数不同，

# coding:utf-8
# 从tensorflow.examples.tutorials.mnist引入模块。这是TensorFlow为了教学MNIST而提前编制的程序
from tensorflow.examples.tutorials.mnist import input_data
# 从MNIST_data/中读取MNIST数据。这条语句在数据不存在时，会自动执行下载
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 查看训练数据的大小
print(mnist.train.images.shape)  # (55000, 784)
print(mnist.train.labels.shape)  # (55000, 10)

# 查看验证数据的大小
print(mnist.validation.images.shape)  # (5000, 784)
print(mnist.validation.labels.shape)  # (5000, 10)

# 查看测试数据的大小
print(mnist.test.images.shape)  # (10000, 784)
print(mnist.test.labels.shape)  # (10000, 10)

# 打印出第0幅图片的向量表示
print(mnist.train.images[0, :])

# 打印出第0幅图片的标签
print(mnist.train.labels[0, :])
# 打印成功信息
print("数据集下载成功！")

原始的MNIST数据集中包含了60000张训练图片和10000张测试图片。而在TensorFlow中，又将原先的60000张训练图片重新划分成了新的55000张训练图片和5000张验证图片。所以在mnist对象中，数据一共分为三部分:mnist.train是训练图片数据，mnist.validation 是验证图片数据，mnist.test是测试图片数据，这正好对应了机器学习中的训练集、验证集和测试集。一般来说，会在训练集上训练模型，通过模型在验证集上的表现调整参数，最后通过测试集确定模型的性能。

3.将MNIST数据集保存为图片

  在原始的MNIST数据集中，每张图片都由一个28x28的矩阵表示,在TensorFlow中，变量mnist.train.images是训练样本，它的形状为(55000,784)。其中，5000是训练图像的个数，而784实际为单个样本的维数，即每张图片都由一个784维的向量表示( 784正好等于28x28 )。为了加深对这种表示的理解，下面完成一个简单的程序:将MNIST数据集读取出来，并保存为图片文件。

#coding: utf-8
from tensorflow.examples.tutorials.mnist import input_data
import scipy.misc
import os

# 读取MNIST数据集。如果不存在会事先下载。
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 我们把原始图片保存在MNIST_data/raw/文件夹下
# 如果没有这个文件夹会自动创建
save_dir = 'MNIST_data/raw/'
if os.path.exists(save_dir) is False:
os.makedirs(save_dir)

# 保存前20张图片
for i in range(20):
    # 请注意，mnist.train.images[i, :]就表示第i张图片（序号从0开始）
    image_array = mnist.train.images[i, :]
    # TensorFlow中的MNIST图片是一个784维的向量，我们重新把它还原为28x28维的图像。
    image_array = image_array.reshape(28, 28)
    # 保存文件的格式为 mnist_train_0.jpg, mnist_train_1.jpg, ... ,mnist_train_19.jpg
    filename = save_dir + 'mnist_train_%d.jpg' % i
    # 将image_array保存为图片
    # 先用scipy.misc.toimage转换为图像，再调用save直接保存。
    scipy.misc.toimage(image_array, cmin=0.0, cmax=1.0).save(filename)

print('Please check: %s ' % save_dir)

运行此程序后,在MNIST_ data/raw/文件夹 下就可以看到MNIST数据集中训练集的前20张图片。可以修改.上述程序打印更多的图片

4.图像标签的独热表示，打印MNIST数据集中图片的标签

#打印出第0张训练图片的标签
# coding: utf-8
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
# 读取mnist数据集。如果不存在会事先下载。
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
print (mnist. train.labels[0, :])

代码运行的结果是[0.0. 0. 0. 0. 0. 0.1. 0. 0.], 也就是说第0张图片对应的标签为数字“7”