使用TensorFlow直接获取处理MNIST数据方式

MNIST是一个非常有名的手写体数字识别数据集，TensorFlow对MNIST数据集做了封装，可以直接调用。MNIST数据集包含了60000张图片作为训练数据，10000张图片作为测试数据，每一张图片都代表了0-9中的一个数字，图片大小都是28*28。虽然这个数据集只提供了训练和测试数据，但是为了验证训练网络的效果，一般从训练数据中划分出一部分数据作为验证数据，测试神经网络模型在不同参数下的效果。TensorFlow提供了一个类来处理MNIST数据。

代码如下：

from tensorflow.examples.tutorials.mnist import input_data

#载入MNIST数据集，如果指定地址下没有下载好的数据，那么TensorFlow会自动在网站上下载数据
mnist = input_data.read_data_sets("/tensorflow_google")

#打印训练数据大小
print("Training data size:", mnist.train.num_examples)

#打印验证集大小
print("Validating data size:", mnist.validation.num_examples)

#打印测试集大小
print("Testing data size:", mnist.test.num_examples)

#打印训练样例
print("Example training data", mnist.train.images[0])

#打印训练样例的标签
print("Example training data label:", mnist.train.labels[0])

>>Training data size: 55000
Validating data size: 5000
Testing data size: 10000
Example training data [ 0.     ... 0.    ]
Example training data label: 7

处理后的每一张图片是一个长度为784(28*28)的一维数组，数组中的数据为图片的像素，像素元素取值范围为0-1，代表了颜色的深浅，其中0为白色，1为黑色。为了可以使用随机梯度下降，input_data.read_data_sets生成的类还提供了mnist.train.next_batch，可以从素有的训练数据中读取一小部分作为一个训练batch，例如：

batch_size = 200
xs, ys = mnist.train.next_batch(batch_size) #xs是数据，ys是对应的标签
print("X shape", xs.shape)
print("Y shape", ys.shape)

>>X shape (200, 784) #X是200*784的数组
Y shape (200,) #Y是200维的一维数组

来源：https://blog.csdn.net/gaoyueace/article/details/79056085