python从图片里输出数据_详解如何从TensorFlow的mnist数据集导出手写体数字图片

在TensorFlow的官方入门课程中&＃xff0c;多次用到mnist数据集。

mnist数据集是一个数字手写体图片库&＃xff0c;但它的存储格式并非常见的图片格式&＃xff0c;所有的图片都集中保存在四个扩展名为idx3-ubyte的二进制文件。

如果我们想要知道大名鼎鼎的mnist手写体数字都长什么样子&＃xff0c;就需要从mnist数据集中导出手写体数字图片。了解这些手写体的总体形状&＃xff0c;也有助于加深我们对TensorFlow入门课程的理解。

下面先给出通过TensorFlow api接口导出mnist手写体数字图片的python代码&＃xff0c;再对代码进行分析。代码在win7下测试通过&＃xff0c;linux环境也可以参考本处代码。

(非常良心的注释和打印有木有)

#!/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

# 声明图片宽高

rows &＃61; 28

cols &＃61; 28

# 要提取的图片数量

images_to_extract &＃61; 8000

# 当前路径下的保存目录

save_dir &＃61; "./mnist_digits_images"

# 读入mnist数据

mnist &＃61; input_data.read_data_sets("MNIST_data/", one_hot&＃61;False)

# 创建会话

sess &＃61; tf.Session()

# 获取图片总数

shape &＃61; sess.run(tf.shape(mnist.train.images))

images_count &＃61; shape[0]

pixels_per_image &＃61; shape[1]

# 获取标签总数

shape &＃61; sess.run(tf.shape(mnist.train.labels))

labels_count &＃61; shape[0]

# mnist.train.labels是一个二维张量&＃xff0c;为便于后续生成数字图片目录名&＃xff0c;有必要一维化(后来发现只要把数据集的one_hot属性设为False&＃xff0c;mnist.train.labels本身就是一维)

#labels &＃61; sess.run(tf.argmax(mnist.train.labels, 1))

labels &＃61; mnist.train.labels

# 检查数据集是否符合预期格式

if (images_count &＃61;&＃61; labels_count) and (shape.size &＃61;&＃61; 1):

print ("数据集总共包含 %s 张图片&＃xff0c;和 %s 个标签" % (images_count, labels_count))

print ("每张图片包含 %s 个像素" % (pixels_per_image))

print ("数据类型&＃xff1a;%s" % (mnist.train.images.dtype))

# mnist图像数据的数值范围是[0,1]&＃xff0c;需要扩展到[0,255]&＃xff0c;以便于人眼观看

if mnist.train.images.dtype &＃61;&＃61; "float32":

print ("准备将数据类型从[0,1]转为binary[0,255]...")

for i in range(0,images_to_extract):

for n in range(pixels_per_image):

if mnist.train.images[i][n] !&＃61; 0:

mnist.train.images[i][n] &＃61; 255

# 由于数据集图片数量庞大&＃xff0c;转换可能要花不少时间&＃xff0c;有必要打印转换进度

if ((i&＃43;1)%50) &＃61;&＃61; 0:

print ("图像浮点数值扩展进度&＃xff1a;已转换 %s 张&＃xff0c;共需转换 %s 张" % (i&＃43;1, images_to_extract))

# 创建数字图片的保存目录

for i in range(10):

dir &＃61; "%s/%s/" % (save_dir,i)

if not os.path.exists(dir):

print ("目录 ""%s"" 不存在&＃xff01;自动创建该目录..." % dir)

os.makedirs(dir)

# 通过python图片处理库&＃xff0c;生成图片

indices &＃61; [0 for x in range(0, 10)]

for i in range(0,images_to_extract):

img &＃61; 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&＃43;m*cols]))

# 根据图片所代表的数字label生成对应的保存路径

digit &＃61; labels[i]

path &＃61; "%s/%s/%s.bmp" % (save_dir, labels[i], indices[digit])

indices[digit] &＃43;&＃61; 1

img.save(path)

# 由于数据集图片数量庞大&＃xff0c;保存过程可能要花不少时间&＃xff0c;有必要打印保存进度

if ((i&＃43;1)%50) &＃61;&＃61; 0:

print ("图片保存进度&＃xff1a;已保存 %s 张&＃xff0c;共需保存 %s 张" % (i&＃43;1, images_to_extract))

else:

print ("图片数量和标签数量不一致&＃xff01;")

上述代码的实现思路如下&＃xff1a;

1.读入mnist手写体数据&＃xff1b;

2.把数据的值从[0,1]浮点范围转化为黑白格式(背景为0-黑色&＃xff0c;前景为255-白色)&＃xff1b;

3.根据mnist.train.labels的内容&＃xff0c;生成数字索引&＃xff0c;也就是建立每一张图片和其所代表数字的关联&＃xff0c;由此创建对应的保存目录&＃xff1b;

4.循环遍历mnist.train.images&＃xff0c;把每张图片的像素数据赋值给python图片处理库PIL的Image类实例&＃xff0c;再调用Image类的save方法把图片保存在第3步骤中创建的对应目录。

在运行上述代码之前&＃xff0c;你需要确保本地已经安装python的图片处理库PIL&＃xff0c;pip安装命令如下&＃xff1a;

pip3 install Pillow

或 pip install Pillow&＃xff0c;取决于你的pip版本。

上述python代码运行后&＃xff0c;在当前目录下会生成mnist_digits_images目录&＃xff0c;在该目录下&＃xff0c;可以看到如下内容&＃xff1a;

可以看到&＃xff0c;我们成功地生成了黑底白字的数字图片。

如果仔细观察这些图片&＃xff0c;会看到一些肉眼也难以分辨的数字&＃xff0c;譬如&＃xff1a;

上面这几个数字是2。想不到吧&＃xff1f;

下面这两个是5(看起来更像6)&＃xff1a;

这个是7&＃xff1a;(7长这样&＃xff1f;有句MMP不知当讲不当讲)

猜猜下面这个是什么&＃xff1a;

这是大写的L&＃xff1f;不是。

有点像1&＃xff0c;是1吗&＃xff1f;也不是。

倒立拉粑的7&＃xff1f;sorry&＃xff0c;又猜错了。

实话告诉您&＃xff0c;它是2&＃xff01;一开始我也是不相信的&＃xff0c;知道真相的那一刻我下巴差点掉下来&＃xff01;

这些手写图片&＃xff0c;一般人用肉眼观察&＃xff0c;识别率能达到98%就不错了&＃xff0c;但是通过TensorFlow搭建的卷积神经网络识别率可以达到99%&＃xff0c;非常地神奇&＃xff01;

以上就是本文的全部内容&＃xff0c;希望对大家的学习有所帮助&＃xff0c;也希望大家多多支持我们。

本文标题: 详解如何从TensorFlow的mnist数据集导出手写体数字图片

本文地址: http://www.cppcns.com/jiaoben/python/267585.html