将MNIST数据集的每个类对应的的图像输出

╰+哭是因爲堅強的太久メ 2023-01-18 09:15 4阅读 0赞

### 文章目录 ###

*  1. 方法一
 *   *  1.1 运行结果
 *  2. 方法二
 *   *  2.1 效果如下
     *  2.2 小提示
 *  3. 方法三
 *   *  3.1 效果展示
 *  4. 参考文献

# 1. 方法一 #

这种方法直接将MNIST数据集里面的所有图像输出，换句话说就是没有分门别类的输出，代码如下：

import torch
    import torchvision   
    import torch.utils.data as Data  
    import scipy.misc
    import os
    import matplotlib.pyplot as plt  
    from torch.autograd import Variable       
      
    train_data = torchvision.datasets.MNIST(root='./datasets/MNIST/', train=True,transform=torchvision.transforms.ToTensor(), download=True)
    test_data = torchvision.datasets.MNIST(root='./datasets/MNIST/', train=False)
    
    
    #把原始图片保存至MNIST_data/raw/下
    save_dir="mnist/raw/"
    if os.path.exists(save_dir)is False:
        os.makedirs(save_dir)
        
    for i in range(20): # 为了方便测试只输出20张，这里可以自己定义
        image_array,_=train_data[i]#打印第i个
        image_array=image_array.resize(28,28)
        filename=save_dir + 'mnist_train_%d.jpg' % i#保存文件的格式
        print(filename)
        print(train_data.train_labels[i])#打印出标签
        scipy.misc.toimage(image_array,cmin=0.0,cmax=1.0).save(filename)#保存图像

## 1.1 运行结果 ##

![在这里插入图片描述][20210502172558112.png]

# 2. 方法二 #

这里我们按照每张图像所对应的类别输出，也就是属于该类的所有图像存放在一起，代码如下：

import os
    import numpy as np
    import matplotlib
    import matplotlib.pyplot as plt
    
    import tensorflow as tf
    
    
    save_path = "./img/minst" # 输出图片保存路径
    
    (x_train,y_train),(x_test,y_test) = tf.keras.datasets.mnist.load_data()
    
    def decode(images,labels,path):
        for index, vec in enumerate(images):
            image = vec.reshape([28,28])    #遍历图片
            label = labels[index]  #图片对应标签
            classes_path = os.path.join(path,str(label)) #图片分类到每个文件夹,得到文件夹地址
            if not os.path.exists(classes_path) : os.makedirs(classes_path) #不存在就创建
            image_path = os.path.join(classes_path, str(index)+".jpg") #图片地址
            matplotlib.image.imsave(image_path, image, cmap="binary")#保存图片
    
    decode(x_train, y_train, os.path.join(save_path,"train"))
    print("finish")
    decode(x_test,y_test,os.path.join(save_path,"test"))
    print("finish")

## 2.1 效果如下 ##

运行上面代码，结果如下所示：  
![在这里插入图片描述][2021050217211798.png]

## 2.2 小提示 ##

这里我们使用的是tensorflow框架，所需要的版本是2.0+，所以要运行这段代码必须对应好tf版本。

# 3. 方法三 #

与方法二类似，但是我们使用的pytorch框架，读取本地数据集，代码如下

import os
    import torch
    import torchvision
    import torchvision.transforms as transforms
    from skimage import io
    import torchvision.datasets.mnist as mnist
    import numpy
    
    # Device configuration
    device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
    
    # MNIST dataset
    train_dataset = torchvision.datasets.MNIST(root='data/',
                                               train=True,
                                               transform=transforms.ToTensor(),
                                               download=True)
    
    test_dataset = torchvision.datasets.MNIST(root='data/',
                                              train=False,
                                              transform=transforms.ToTensor())
    
    root='./data/MNIST/raw/'
    
    train_set=(mnist.read_image_file(os.path.join(root,'train-images-idx3-ubyte')),
               mnist.read_label_file(os.path.join(root,'train-labels-idx1-ubyte'))
               )
    test_set = (
        mnist.read_image_file(os.path.join(root,'t10k-images-idx3-ubyte')),
        mnist.read_label_file(os.path.join(root,'t10k-labels-idx1-ubyte'))
    )
    
    def convert_to_img(train=True):
        if train:
            data_path='./img/data_train01/'
            for i,(img,label) in enumerate(zip(train_set[0],train_set[1])):
                img_path=data_path+str(label.item())+'/'
                print('train_img_path:',img_path,'img_num:',i)
                img_name=img_path+str(i)+'.png'
                if (not os.path.exists(img_path)):
                     os.makedirs(img_path)
                io.imsave(img_name, img.numpy())
        else:
            data_path = './img/data_test01/'
            for i, (img, label) in enumerate(zip(test_set[0], test_set[1])):
                img_path = data_path +str(label.item())+ '/'
                print('test_img_path:', img_path, 'img_numpy:',i)
                img_name = img_path + str(i) + '.png'
                if (not os.path.exists(img_path)):
                     os.makedirs(img_path)
                io.imsave(img_name, img.numpy())
    
    
    convert_to_img(True)
    convert_to_img(False)

## 3.1 效果展示 ##

![在这里插入图片描述][20210502175421147.png]

# 4. 参考文献 #

[1.【解决错误】ModuleNotFoundError: No module named ‘skimage‘][1._ModuleNotFoundError_ No module named _skimage]  
[2. 用几行代码将MNIST数据集图片提取并分类存放][2. _MNIST]  
[3 . MNIST数据集转为图片形式输出（按标签分别存储，统一存储） 好用！][3 . MNIST_]

[20210502172558112.png]: /images/20221021/382f5acc322347f9ab6eddc2ec857bb2.png
[2021050217211798.png]: /images/20221021/9c028ca812804015ae0e35042d36a106.png
[20210502175421147.png]: /images/20221021/a988c3dce64d47fdbe5df15bf7c3c95f.png
[1._ModuleNotFoundError_ No module named _skimage]: https://blog.csdn.net/hunter_murphy/article/details/108112702
[2. _MNIST]: https://blog.csdn.net/qq_19865329/article/details/104453911
[3 . MNIST_]: https://blog.csdn.net/myCSDN3657/article/details/113097408