python: MNIST的图像显示

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) # 把图像的形状变成原来的尺寸
print(img.shape)          # (28, 28)

img_show(img)

显示mnist图像，执行上述代码后，训练图像的第一张会显示出来。sys.path.append(os.pardir)导入父目录，第一次调用load_mnist函数时，因为要下载MNIST数据集，所以需要联网进行。第2次及以后的调用只需要读入保存在本地的文件（pickle文件）即可，因此处理所需时间都非常短。

 

load_mnist函数以“（训练图像，训练标签），（测试图像，测试标签）”的形式返回读入的MNST数据。此外，还可以像

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

这样，设置3个参数。第1个参数normalize设置是否将输入图像正规化为0.0~1.0的值。如果将该参数设置为False，则输入图像的像素会保持原来的0~255。第2个参数flatten设置是否展开输入图像（变成一维数据）。如果将该参数设置为False，则输入图像为1 × 28 × 28的三维数组；若设置为True，则输入图像会保存为由784个元素构成的一位数组。第3个参数one_hot_label设置是否将标签保存为one-hot表示（one-hot representation）。one-hot表示是仅正确解标签为1，其余皆为0的数组，就像[0,0,1,0,0,0,0,0,0,0]这样。当one_hot_label为False时，知识想7,2这样简单保存正确解标签；当one_hot_label为True时，标签则保存为one-hot表示。

Python 有 pickle 这个便利的功能。这个功能可以将程序运行中的对象保存为文件。如果加载保存过的 pickle 文件，可以立刻复原之前程序运行中的对象。用于读入 MNIST 数据集的 load_mnist() 函数内部也使用了 pickle 功能（在第 2 次及以后读入时）。利用 pickle 功能，可以高效地完成 MNIST 数据的准备工作。

 这里需要注意的是，flatten=True 时读入的图像是以一列（一维）NumPy 数组的形式保存的。因此，显示图像时，需要把它变为原来的 28 像素 × 28 像素的形状。可以通过 reshape() 方法的参数指定期望的形状，更改 NumPy 数组的形状。此外，还需要把保存为 NumPy 数组的图像数据转换为 PIL 用的数据对象，这个转换处理由 Image.fromarray() 来完成。

 

img = x_train[0]           #x_train的形状是（6000,784），即6000行728列的矩阵，所以x_train[0]表示第一列的784个数据

label = t_train[0]       #t_train的形状是（6000，），即一行或者一列数据6000个，所以t_train[0]是第一个数据，这里它的值是5