(markdown是用jupypter notebook生成)


mxnet为的提高IO效率, 不会直接读取图片文件, 而是先将图片列表和标签转换为RecordIO格式的二进制文件, 训练时就可以顺序读取数据, 大大提高了IO速率.
# 如何将图片列表与标签转换为RecordIO?
mxnet直接提供了mnist与cifar数据集的recordIO格式, 但为了熟悉这个过程, 我决定自己手动来一遍: 将mnist数据的原始二进制格式转换为recordIO格式.
## 如何将mnist ubyte文件转换成image 文件与lst?
从[Yan Lecun](http://yann.lecun.com/exdb/mnist/index.html)网站上下载下来的原始数据由以下四部分组成

!ls ../dataset/mnist
t10k-images-idx3-ubyte	train-images-idx3-ubyte
t10k-labels-idx1-ubyte train-labels-idx1-ubyte

怎样读取训练数据?

train images和labels两个文件分别训练数据的图片与标签, 数量为50k. t10k images 和labels则是测试数据, 10k.

先写脚本读取训练数据, 生成im2rec需要的图片文件与lst文件. train-images-idx3-ubyte文件的数据格式为:

# The labels values are 0 to 9.
# TRAINING SET IMAGE FILE (train-images-idx3-ubyte):
# [offset] [type] [value] [description]
# 0000 32 bit integer 0x00000803(2051) magic number
# 0004 32 bit integer 60000 number of images
# 0008 32 bit integer 28 number of rows
# 0012 32 bit integer 28 number of columns
# 0016 unsigned byte ?? pixel
# 0017 unsigned byte ?? pixel
# ........
# xxxx unsigned byte ?? pixel
import sys;
file_path = '../dataset/mnist/';
train_images_ubyte = file_path + 'train-images-idx3-ubyte';
train_labels_ubyte = file_path + 'train-labels-idx1-ubyte';
test_images_ubyte = file_path + 'test-images-idx3-ubyte';
test_labels_ubyte = file_path + 'test-labels-idx1-ubyte'; train_images = [];
train_labels = [];
def readInt(f, n = 4):
"""从mnist二进制文件中读取整数"""
return int(f.read(n).encode('hex'), 16);
def readImage(f):
"""从mnist二进制文件中读取图片"""
n = 28*28;
img = [0]*n;
for i in xrange(n):#这样一个一个字节地读取会很慢
img[i] = readInt(f, 1);
return img; # 读取图片
with open(train_images_ubyte, 'r') as f:
magic = readInt(f);
num_img = readInt(f);
num_rows = readInt(f);
num_cols = readInt(f); for i in range(num_img):
train_images.append(readImage(f));

train-labels-idx1-ubyte的数据格式如下:

#  TRAINING SET LABEL FILE (train-labels-idx1-ubyte):
# [offset] [type] [value] [description]
# 0000 32 bit integer 0x00000801(2049) magic number (MSB first)
# 0004 32 bit integer 60000 number of items
# 0008 unsigned byte ?? label
# 0009 unsigned byte ?? label
# ........
# xxxx unsigned byte ?? label
#
def readLabel(f):
"""从mnist二进制文件中读取label"""
return readInt(f, 1); # 读取标签
with open(train_labels_ubyte, 'r') as f:
magic = readInt(f);
num_items = readInt(f); for i in xrange(num_items):
train_labels.append(readLabel(f));

可视化一下读取出来的数据

没什么实质性的功能, 就为了看看读出来的数据是怎样的.

import matplotlib.pyplot as plt;
import numpy as np;
%matplotlib inline def list2img(arr):
return np.reshape(arr, (28, 28));
# 显示几张图片及其对应对手写数字;
num = 10
for i in range(num):
img = list2img(train_images[i]);
plt.subplot(1,num,i+1);
plt.imshow(img, cmap='gray')
plt.axis('off')
plt.title(train_labels[i]) # 画一张条形图看看数字的分布
plt.figure()
plt.hist(train_labels, range(11));

可以看出, 每个数字的分布还是挺均匀的.

导出图片, 并生成lst文件

#导出图片
import cv2
import os
file_dir = '/home/dengdan/dataset/mnist/raw/train/images/';
if not os.path.exists(file_dir) or not os.path.isdir(file_dir):
os.makedirs(file_dir);
file_name = 'mnist_train_{0}.jpg';
n = len(train_images)
for i in xrange(n):
img = list2img(train_images[i]);
#cv2.imwrite(file_dir + file_name.format(i), img) #需要生成图片时将注释去掉

lst 文件用于将图片文件与它的label对应起来. 每一行为一条记录, 格式为:

integer_image_index \t label_index \t path_to_image
895099  464     n04467665_17283.JPEG
10025081 412 ILSVRC2010_val_00025082.JPEG
74181 789 n01915811_2739.JPEG
10035553 859 ILSVRC2010_val_00035554.JPEG
10048727 929 ILSVRC2010_val_00048728.JPEG
94028 924 n01980166_4956.JPEG
1080682 650 n11807979_571.JPEG
972457 633 n07723039_1627.JPEG
7534 11 n01630670_4486.JPEG
1191261 249 n12407079_5106.JPEG
# 生成lst 文件
def rec(idx, label):
"""生成第idx张图片的记录"""
name = file_name.format(idx);
return '{0} \t {1} \t {2}'.format(idx, label, name) lst_path = '/home/dengdan/dataset/mnist/mxnet/'
if not os.path.exists(lst_path) or not os.path.isdir(lst_path):
os.makedirs(lst_path);
lst = lst_path + 'train.lst';
with open(lst, 'w') as f:
for i in xrange(len(train_labels)):
record = rec(i, train_labels[i]);
f.write(record + '\n');

现在, 图片也有了, lst文件也有了, 可以利用im2rec工具生成recordio文件了

! ~/github/mxnet/bin/im2rec ~/dataset/mnist/mxnet/train.lst  ~/dataset/mnist/raw/train/images/   ~/dataset/mnist/mxnet/train.bin
[16:28:31] tools/im2rec.cc:96: Keep origin image size
[16:28:31] tools/im2rec.cc:107: Encoding is .jpg
[16:28:31] tools/im2rec.cc:153: Write to output: /home/dengdan/dataset/mnist/mxnet/train.bin

...

[16:28:35] tools/im2rec.cc:251: 55000 images processed, 4.04441 sec elapsed

[16:28:35] tools/im2rec.cc:251: 56000 images processed, 4.11869 sec elapsed

[16:28:35] tools/im2rec.cc:251: 57000 images processed, 4.1915 sec elapsed

[16:28:36] tools/im2rec.cc:251: 58000 images processed, 4.26273 sec elapsed

[16:28:36] tools/im2rec.cc:251: 59000 images processed, 4.3346 sec elapsed

[16:28:36] tools/im2rec.cc:251: 60000 images processed, 4.40678 sec elapsed

[16:28:36] tools/im2rec.cc:254: Total: 60000 images processed, 4.40682 sec elapsed


github: https://github.com/dengdan/deep-learning-with-mxnet/tree/master/io/mnist2rec.ipynb

mxnet(1)生成RecordIO与lst文件的更多相关文章

  1. 生成的API分析文件太大。我们无法在交付前验证您的API使用信息。这只是通知信息。

    这次使用了APICloud平台来开发移动APP, 发布的时候在api控制台云编译成ipa后,这次使用apple提供的Application Loader工具提交apa文件到iTunes上去,提交结束的 ...

  2. C# 调用WebService的3种方式 :直接调用、根据wsdl生成webservice的.cs文件及生成dll调用、动态调用

    1.直接调用 已知webservice路径,则可以直接 添加服务引用--高级--添加web引用 直接输入webservice URL.这个比较常见也很简单 即有完整的webservice文件目录如下图 ...

  3. myeclipse(2015)中创建简单的Maven项目的步骤(用于生成可执行jar文件)------》myeclipse2015

    利用MyEclipse的引导,可以很方便的创建简单的.用于生成可执行jar文件的Maven项目: 1.New -> Project... 选择 Maven Project, 点击Next > ...

  4. Java生成和操作Excel文件(转载)

    Java生成和操作Excel文件   JAVA EXCEL API:是一开放源码项目,通过它Java开发人员可以读取Excel文件的内容.创建新的Excel文件.更新已经存在的Excel文件.使用该A ...

  5. 依据BOM和已经存在的文件生成其他种类的文件

    在BOM中记录中有物料编码,物料名称,物料规格等,而且依据BOM已经生成了一些的文件,如采购规格书,这个时候需要生成相应的检验规格书模板,可以使用下面的VBA代码,具体代码如下: Function I ...

  6. Java生成和操作Excel文件

    JAVA EXCEL API:是一开放源码项目,通过它Java开发人员可以读取Excel文件的内容.创建新的Excel文件.更新已经存在的Excel文件.使用该API非Windows操作系统也可以通过 ...

  7. T4模版生成多个实体文件时,提示找不到 Host

    T4模版生成多个实体文件时,提示找不到 Host 使用以下方法,把hostspecific改为true就可以了 hostspecific:有效值true.false,默认为false.如果将此特性的值 ...

  8. PHP生成 excl、word文件

    PHP生成 excl.word文件 $time = time();   $filename = date("Y年m月d日h点m分s秒", $time).'问卷数据';  $rows ...

  9. DedeCMS生成首页html静态文件的教程

    http://www.mubanzhijia.com/jishujiaocheng/826.html 在dedecms后台点击"更新主页Html"时,发生了什么?dedecms生成 ...

随机推荐

  1. [No000059]知道这些,你的时间会比别人多一大截

    大噶猴,这里是最近不爱断案,爱上了号脉问诊的包大人.来看看下面这些症状,你中了几条? 字的快餐阅读 2.微博.微信.QQ空间.微博.微信.QQ空间……陷在这样的循环里 3.每天好像接收了很多信息,然而 ...

  2. oracle数据库误操作把表删除了,怎样恢复

    一:表的恢复 对误删的表,只要没有使用PURGE永久删除选项,那么从flash back区恢复回来希望是挺大的.一般步骤有:1.从flash back里查询被删除的表 select * from re ...

  3. json格式的优点

    总结:1.占带宽小(格式是压缩的)2. js通过eval()进行Json读取(便于客户端读取)3. JSON支持多种语言(c.c++.php等),便于服务端解析 JSON (JavaScript Ob ...

  4. Nginx+keepalived双机热备(主从模式)

    负载均衡技术对于一个网站尤其是大型网站的web服务器集群来说是至关重要的!做好负载均衡架构,可以实现故障转移和高可用环境,避免单点故障,保证网站健康持续运行.关于负载均衡介绍,可以参考:linux负载 ...

  5. Js经典相册

    Js经典相册 点击下载

  6. spring mvc总结1

    1,spring下载 spring更改了官方网站后,找了很长时间没有找到相关的jar包下载路径,然后在网上终于找到相关的路径了 有个树形结构可供选择:http://repo.spring.io/rel ...

  7. 解决ssh-connect-to-host-github-com-port-22-connection-timed-out

    PC:~$ ssh git@github.com ssh: connect to host github.com port 22: Connection timed out 解决办法:(linux下) ...

  8. weblogic启动失败:Could not obtain the localhost address 解决办法

    linux下weblogic启动如果出现这个错误,多半是hosts文件不对 1.先输入hostname,查看本机计算机名(比如:server123) 2.sudo vi /etc/hosts 编辑ho ...

  9. [MetaHook] SearchPattern function

    By Nagi void *SearchPattern(void *pStartSearch, DWORD dwSearchLen, char *pPattern, DWORD dwPatternLe ...

  10. 闲扯 『 document.write 』

    初春的晚上,闲来无事,聊聊 document.write 方法. document.write 使用方式非常简单,把 "字符串化"(不好意思,这可能是我自己创造的名词)的 html ...