《Hands-On Machine Learning with Scikit-Learn&TensorFlow》mnist数据集错误及解决方案

最近在看这本书看到Chapter 3.Classification，是关于mnist数据集的分类，里面有个代码是

from sklearn.datasets import fetch_mldata
mnist = fetch_mldata('MNIST original')
mnist

我十分郁闷，因为这个根本加载不出来-_-||，报了个OSError，改了data_home之后也有error，然后我按照网上的方法改data_home也没用，弄了很久最后决定自己弄这个数据集出来（气死了）

百度搜索mnist第一个出来的就是http://yann.lecun.com/exdb/mnist/

很多人点进去就头大，看到四个可下载的文件不知道怎么用（包括我），不过为了解决这个问题我就耐心读了下页面（心情简单）

     

这两张图要放一起看，特别是划红线的部分，我们可以确定一下几个事实：

1. 每个dimension是 4-byte Integers，对应到struct模块里面的fmt格式就是'I'
2. high endian也就是大端法读进来，至于什么是大端法我想大家可以去wiki看看ヽ(￣▽￣)ﾉ
3. 右图的dimension 0就是左边的magic number，接下里的dimension 1就是number of images，如此类推应该就会看了吧emmmmm

补充个链接：python struct模块：https://docs.python.org/2/library/struct.html

下面是代码：

 import struct
 import gzip
 import numpy as np
 import matplotlib.pyplot as plt
 import matplotlib

 def getImage(file):
     with gzip.open(file) as f:
         buffer = f.read()
         magicNumber, images, rows, columns = struct.unpack_from('>IIII',buffer)
         index = 0
         index += struct.calcsize('>IIII')   #struct.calcsize(fmt)返回这个结构的长度
         pattern = '>' + str(images*rows*columns) + 'B'  #这里计算了文件的长度，'B'表示为1位无符号字符(unsigned char)
         data = struct.unpack_from(pattern,buffer,index)     #从index指定的位置开始读
         return np.array(data).reshape(images, rows, columns)    #因为一个图片是28*28pixel，这里需要reshape
 def getLabel(file):
     with gzip.open(file) as f:
         buffer = f.read()
         magicNumber, labels = struct.unpack_from('>II',buffer)
         index = 0
         index += struct.calcsize('>II')
         pattern = '>' + str(labels) + 'B'  #这里计算了文件的长度，'B'表示为1位无符号字符(unsigned char)
         data = struct.unpack_from(pattern,buffer,index)     #从index指定的位置开始读
         return np.array(data)    #这里label就是一个array不需要reshape
 if __name__ =='__main__':
     x_train_data = getImage("train-images-idx3-ubyte.gz")
     y_train_data = getLabel("train-labels-idx1-ubyte.gz")
     x_test_data = getImage("t10k-images-idx3-ubyte.gz")
     y_test_data = getLabel("t10k-labels-idx1-ubyte.gz")

     '''以下为测试模块'''
     print(x_train_data.shape)
     print(y_train_data.shape)
     print(x_test_data.shape)
     print(y_test_data.shape)
     x = x_train_data[150]
     plt.imshow(x,cmap=matplotlib.cm.binary,interpolation="nearest")
     plt.axis()
     plt.show()

ps.难以置信我弄好这个后，我不死心试着去运行了书里的代码，竟然自己好了，心情如下：

如需转载请注明出处

喜欢请支持下~