想学习人工智能，这个的数据集必须掌握，MNIST入门与实战 _人工智能

前文我们介绍了如何在Windows环境下安装TensorFlow（人工智能学习入门之TensorFlow2.2版本安装（Windows10））。学习知识最好的方法就是实践了，因此接下来我们通过实操的方式来学习人工智能相关的知识。
学习人工智能少不了需要一些数据集，比如进行鉴黄的人工智能少不了一些类似的图片。进行语音识别的人工智能，语料库是少不了的。对于初学人工智能的同学常常为数据集而发愁。今天我们就介绍一个非常简单，但很有用的数据集，这就是MNIST 。这个数据集非常适合我们进行人工智能相关算法的学习和练习。
MNIST 数据集是美国国家标准与技术研究所（National Institute of Standards and Technology，简称NIST）制作的一个非常简单的数据集。那么该数据集是什么内容呢？其实就是一些手写的阿拉伯数字（0到9十个数字）。

文章插图

NIST在制作数据集的时候还是很认真的。数据集中的训练集 (training set) 由来自 250 个不同人手写的数字构成，其中 50%是高中学生，50% 来自人口普查局 (the Census Bureau) 的工作人员。测试集(test set) 也是同样比例的手写数字数据。
如何下载MNIST数据集MNIST数据集可从其官网（http://yann.lecun.com/exdb/mnist/ ）下载，由于是国外网站，下载可能比较慢。它包含了四个部分:

训练集图片：train-images-idx3-ubyte.gz (9.9 MB, 解压后 47 MB, 包含 60,000 个样本)
训练集标签：train-labels-idx1-ubyte.gz (29 KB, 解压后 60 KB, 包含 60,000 个标签)
测试集图片：t10k-images-idx3-ubyte.gz (1.6 MB, 解压后 7.8 MB, 包含 10,000 个样本)
测试集标签：t10k-labels-idx1-ubyte.gz (5KB, 解压后 10 KB, 包含 10,000 个标签)

上述包含两种类型的内容，一种是图片，另外一种是标签，图片与标签一一对应。但是这里的图片并非是我们平时看到的图片文件，而是一个二进制的文件。该数据集以一个二进制的形式对6万个图片进行了存储。标签则是图片对应的真是数字。
如下图所示，本文将数据集下载到本地，并且解压后的结果。为了便于对比，这里面包含原始的压缩包和解压后的文件。

文章插图

数据集的格式简析大家已经发现，压缩包解压后并非一个个的图片，而是每个压缩包对应着一个独立的问题。而在这个文件中存储着上万个图片或者标签的信息。那么这些信息是如何存储在这个文件当中的呢？
其实MNIST的官网给出了详细的描述。以训练集的图片文件为例，官网给出的文件格式描述如下：

文章插图

从上图可以看出，前4个32位数是该训练集的描述信息。其中第一个是魔数，为固定值0x0803；第二个是图片的数量，0xea60，也就是60000；第三个和第四个是图片的大小，也就是图片是28*28像素。下面则是以一个字节来描述每个像素。由于该文件中以一个字节来描述一个像素，可以知道像素的值可以是从0到255 。其中0表示白色，而255表示黑色。

文章插图

【想学习人工智能，这个的数据集必须掌握，MNIST入门与实战】标签文件的格式与图片文件的类似。前面有两个32位数，其中第一个是魔数，固定值0x0801；第二个用于描述标签的数量。接下来的数据是每个标签的值，用一个字节表示。这里表示值的范围是

文章插图

对应实际训练集的标签文件的数据如下所示。可以看出与上述格式的描述是一致的。另外，我们可以看出，对应该标签集，前面几张图片表示的数字分别应该是5，0，4，1等等。这里大家记一下，后面会用到。

文章插图

关于数据集的文件格式我们了解了，下面我们实际操作一下。
数据集的可视化处理知道上述数据的存储格式后，我们就可以对数据进行解析了。比如下面本文实现了一个小程序，用于解析该图片集合中的某个图片，并得到可视化结果。当然，其实我们可以根据标签集合的值知道图片是什么，这里只是一个实验。最终结果是以一个文本文件存储的，用字符“Y”表示笔迹，字符“0”表示背景色。具体程序代码很简单，本文不再赘述。