MNIST(手写数字图片识别+ubyte.gz文件)数据集下载、将MNIST数据集转化为CSV格式，并使用神经网络测试，手写0-9数字识别。qq40513088的博客-

• MNIST(手写数字图片识别+ubyte.gz文件)数据集下载、将数据集转化为CSV格式，并使用神经网络测试，手写0-9数字识别。

• 借鉴博客

     https://blog.csdn.net/Albert201605/article/details/79893585

     https://blog.csdn.net/epubit17/article/details/80009618

     https://www.sohu.com/a/228825316_99960938

目录

MNIST(手写数字图片识别+ubyte.gz文件)数据集下载、将数据集转化为CSV格式，并使用神经网络测试，手写0-9数字识别。

借鉴博客

1、下载MNIST数据集

2、将MNIST数据集转化为CSV格式

3、从手写数字图像中读取和解码数据

4、创建基本的神经网络，通过使用MNIST训练数据集进行训练，使用MNIST测试集和自己创建的手写数字图像数据对神经网络进行测试。

5、运行结果

• 1、下载MNIST数据集

下载链接：https://yann.lecun.com/exdb/mnist/

• 2、将MNIST数据集转化为CSV格式

         转化方法：下载原始数据后，置于工程目录下，解压，运行以下代码即可。

 def convert(imgf, labelf, outf, n):     f = open(imgf, "rb")     o = open(outf, "w")     l = open(labelf, "rb")      f.read(16)     l.read(8)     images = []      for i in range(n):         image = [ord(l.read(1))]         for j in range(28 * 28):             image.append(ord(f.read(1)))         images.append(image)      for image in images:         o.write(",".join(str(pix) for pix in image) + "n")     f.close()     o.close()     l.close()   convert("MNIST_data/train-images.idx3-ubyte", "MNIST_data/train-labels.idx1-ubyte",         "mnist_train.csv", 60000) convert("MNIST_data/t10k-images.idx3-ubyte", "MNIST_data/t10k-labels.idx1-ubyte",         "mnist_test.csv", 10000)  print("Convert Finished!")

       转化结果：

• 3、从手写数字图像中读取和解码数据

         可以通过图像编辑或者绘画软件来创建图片，也可以通过用笔在纸上手写数字，通过拍照将手写数字变成图片格式。（在创建手写PNG图片时，需要将它们调整到28个像素乘以28个像素，这样才可以匹配MNIST数据集的图片）。

 import imageio import glob import numpy import matplotlib.pyplot  our_own_dataset = []  for image_file_name in glob.glob('Number4.png'):     print ("加载文件：", image_file_name)     # 使用文件名设置正确的标签     label = int(image_file_name[-5:-4])     # 将png文件图像转为数组     img_array = imageio.imread(image_file_name, as_gray=True)     # 每张图片都由一个28 ×28 的矩阵表示，每张图片都由一个784 维的向量表示（28*28=784）     # 将数组的值减去了255.0。常规而言，0指的是黑色，255指的是白色，但是，MNIST数据集使用相反的方式表示，因此将值逆转过来以匹配MNIST数据     # 从28x28重塑到包含784个值的列表，反转值     img_data = 255.0 - img_array.reshape(784)     # 然后将数据缩放到范围从0.01到1.0     img_data = (img_data / 255.0 * 0.99) + 0.01     print(numpy.min(img_data))     print(numpy.max(img_data))     # 附加标签和图像数据来测试数据集     record = numpy.append(label,img_data)     print(record)     our_own_dataset.append(record)     pass  matplotlib.pyplot.imshow(our_own_dataset[0][1:].reshape(28,28), cmap='Greys', interpolation='None')  print(our_own_dataset[0]) print("识别结果为：", record[0]) print(record[0])

手写数字原图：

提醒：我们要创建较小的PNG图片，将它们调整到28个像素乘以28个像素，这才可以匹配曾经用过的来自MNIST数据集的图片。可以使用Win10自带的图像编辑器做到这一点。在导入图像是确保该图像为28个像素乘以28个像素，否则会报错。

读取解析结果：

• 4、创建基本的神经网络，通过使用MNIST训练数据集进行训练，使用MNIST测试集和自己创建的手写数字图像数据对神经网络进行测试。

        该步骤即为创建基本的神经网络，使用MNIST训练数据集进行训练，使用MNIST测试集和自己创建的手写数字图像数据对神经网络进行测试。

具体实现过程可参考：https://download.csdn.net/download/qq_40513088/12524193

• 5、运行结果

手写数字源文件：

运行结果：