Python解析MNIST資料集

#coding=utf-8

import numpy as np
import struct
import matplotlib.pyplot as plt
def parese_idx3(idx3_file):
"""idx3檔案解析方法
:param idx3_file: idx3檔案路徑
:return: 資料集
"""# 讀取二進位制資料
bin_data = open(idx3_file, 'rb').read()
# 解析檔案頭資訊 magic、imgs、height、width
# '>iiii'是說使用大端法讀取4個unsinged int32
offset = 0
fmt_header = '>iiii'
magic, imgs, height, width = struct.unpack_from(fmt_header, bin_data, offset)
print ('magic:%d, imgs: %d, heightxwidth: %dx%d' % (magic, imgs, height, width))
# 解析資料集
image_size = height * width
offset += struct.calcsize(fmt_header)
fmt_image = '>' + str(image_size) + 'b'
images = np.empty((imgs, height, width))
for i in range(imgs):
if (i + 1) % 10000 == 0:
print ('已解析 %d' % (i + 1) + '張');
images[i] = np.array(struct.unpack_from(fmt_image, bin_data, offset)).reshape((height, width))
offset += struct.calcsize(fmt_image)
return images
def parese_idx1(idx1_file):
"""idx1檔案解析方法
:param idx1_file: idx1檔案路徑
:return: 資料集
"""# 讀取二進位制資料
bin_data = open(idx1_file, 'rb').read()
# 解析檔案頭資訊 magic、imgs
offset = 0
fmt_header = '>ii'
magic, imgs = struct.unpack_from(fmt_header, bin_data, offset)
print ('magic:%d, imgs: %d' % (magic, imgs))
# 解析資料集
offset += struct.calcsize(fmt_header)
fmt_image = '>b'
labels = np.empty(imgs)
for i in range(imgs):
if (i + 1) % 10000 == 0:
print ('已解析 %d' % (i + 1) + '張')
lab1是img1的標籤資訊
 
C語言解析MNIST資料集
如下 bmp.h ifndef bmp h define bmp h pragma pack 1 typedef struct tagbitmapfileheader fileheader pragma pack 位圖資料資訊結構 pragma pack 1 typedef struct tagbi...
tensorflow的MNIST教程解析
原址 eval 函式 計算字串中有效的表示式 將字串轉化為相應的物件 解析字串有效的表示式.1.interactivesession 和session 的區別 tf.interactivesession 預設自己就是使用者要操作的session，而tf.session 沒有這個預設，因此用eval ...
MNIST資料製作
大端 較高的有效位元組存放在較低的儲存器位址，較低的有效位元組存放在較高的儲存器位址。小端 較高的有效位元組存放在較高的的儲存器位址，較低的有效位元組存放在較低的儲存器位址。如果將乙個32位的整數0x12345678存放到乙個整型變數 int 中，這個整型變數採用大端或者小端模式在記憶體中的儲存由下...