51.1_MNIST数据集

51.1 MNIST数据集

DeZero在dezero/datasets.py中提供了MNIST类，这个MNIST类继承了Dataset类。它的使用示例如下所示。

importdezero   
train_set  $\equiv$ dezero.datasets.MNIST(train=True，transform  $=$  None) test_set  $\equiv$ dezero.datasets.MNIST(train  $\equiv$  False，transform  $\equiv$  None) print(len(train_set))   
print(len(test_set))

运行结果

60000   
10000

上面的代码分别获取了用于训练的数据和用于测试的数据。代码中通过设置transform=None来(显式地)指定不对数据进行预处理。之后查看了用于训练的数据(train_set)和用于测试的数据(test_set)的数据长度。结果是train_set为60000，test_set为10000。也就是说，有60000个训练数据和10000个测试数据。接下来运行以下代码。

x, t = train_set[0]  
print(type(x), x.shape)  
print(t)

运行结果

<class 'numpy.ndarray'> (1, 28, 28)  
5

上面的代码从train_set中抽取了第0个样本数据。取出的MNIST数据集的数据形式为(data, label)，即包含data(图像)和标签的元组。另外，MNIST的输入数据的形状是(1，28，28)，这意味着图像数据是1个通道(灰度)、 $28 \times 28$ 像素的数据。标签是作为正确答案的数字的索引 $(0 \sim 9)$ 。下面

尝试对数据执行可视化操作。

import matplotlib.pyplot as plt

数据示例

x，t  $=$  train_set[0] #取出第0个(data，label)plt.imshow(x.reshape(28，28)，cmap  $\equiv$  'gray')plt.axis('off')plt.show()print('label：'，t)

运行结果

运行上面的代码，我们会看到图51-2所示的图像。

图51-2 MINST的图像示例

下面使用神经网络来训练这个手写图像的数据。在训练之前，我们需要对输入数据进行预处理。代码如下所示。

def f(x):
    x = x Flatten()
    x = x.astype(np.float32)
    x /= 255.0
    return x
train_set =dezero.datasets.MNIST(train=True,transform=f)
test_set =dezero.datasets.MNIST(train=False,transform=f)

首先将输入数据排成一列。这样，输入数据的形状就从(1, 28, 28)转换为(784,)。然后将数据的类型转换为np.float32(32位浮点数)。最后除以255.0，将输入数据转换为0.0和1.0之间的数值。这些预处理在MNIST类中是默认进行的。因此，编写dezerodatasets.MNIST(train=True)也会执行上述预处理(dezero/datasets.py包含使用dezero/transfers.py中的类进行预处理的代码)。