使用Python解析MNIST數(shù)據(jù)集(IDX文件格式)

前言

最近在學(xué)習(xí)Keras晨炕,要使用到LeCun大神的MNIST手寫數(shù)字?jǐn)?shù)據(jù)集膀值,直接從官網(wǎng)上下載了4個(gè)壓縮包:

MNIST數(shù)據(jù)集

解壓后發(fā)現(xiàn)里面每個(gè)壓縮包里有一個(gè)idx-ubyte文件亚情,沒有圖片文件在里面命浴∽氨回去仔細(xì)看了一下官網(wǎng)后發(fā)現(xiàn)原來這是IDX文件格式,是一種用來存儲(chǔ)向量與多維度矩陣的文件格式寡壮。

IDX文件格式

官網(wǎng)上的介紹如下:

THE IDX FILE FORMAT

the IDX file format is a simple format for vectors and multidimensional matrices of various numerical types.

The basic format is

magic number
size in dimension 0
size in dimension 1
size in dimension 2
.....
size in dimension N
data

The magic number is an integer (MSB first). The first 2 bytes are always 0.

The third byte codes the type of the data:

0x08: unsigned byte
0x09: signed byte
0x0B: short (2 bytes)
0x0C: int (4 bytes)
0x0D: float (4 bytes)
0x0E: double (8 bytes)

The 4-th byte codes the number of dimensions of the vector/matrix: 1 for vectors, 2 for matrices....

The sizes in each dimension are 4-byte integers (MSB first, high endian, like in most non-Intel processors).

The data is stored like in a C array, i.e. the index in the last dimension changes the fastest.

解析腳本

根據(jù)以上解析規(guī)則贩疙,我使用了Python里的struct模塊對(duì)文件進(jìn)行讀寫(如果不熟悉struct模塊的可以看我的另一篇博客文章《Python中對(duì)字節(jié)流/二進(jìn)制流的操作:struct模塊簡(jiǎn)易使用教程》)。IDX文件的解析通用接口如下:


# 解析idx1格式
def decode_idx1_ubyte(idx1_ubyte_file):
    """
    解析idx1文件的通用函數(shù)
    :param idx1_ubyte_file: idx1文件路徑
    :return: np.array類型對(duì)象
    """
    return data

def decode_idx3_ubyte(idx3_ubyte_file):
    """
    解析idx3文件的通用函數(shù)
    :param idx3_ubyte_file: idx3文件路徑
    :return: np.array類型對(duì)象
    """
    return data

針對(duì)MNIST數(shù)據(jù)集的解析腳本如下

# encoding: utf-8
"""
@author: monitor1379 
@contact: yy4f5da2@hotmail.com
@site: www.monitor1379.com

@version: 1.0
@license: Apache Licence
@file: mnist_decoder.py
@time: 2016/8/16 20:03

對(duì)MNIST手寫數(shù)字?jǐn)?shù)據(jù)文件轉(zhuǎn)換為bmp圖片文件格式况既。
數(shù)據(jù)集下載地址為http://yann.lecun.com/exdb/mnist这溅。
相關(guān)格式轉(zhuǎn)換見官網(wǎng)以及代碼注釋。

========================
關(guān)于IDX文件格式的解析規(guī)則:
========================
THE IDX FILE FORMAT

the IDX file format is a simple format for vectors and multidimensional matrices of various numerical types.
The basic format is

magic number
size in dimension 0
size in dimension 1
size in dimension 2
.....
size in dimension N
data

The magic number is an integer (MSB first). The first 2 bytes are always 0.

The third byte codes the type of the data:
0x08: unsigned byte
0x09: signed byte
0x0B: short (2 bytes)
0x0C: int (4 bytes)
0x0D: float (4 bytes)
0x0E: double (8 bytes)

The 4-th byte codes the number of dimensions of the vector/matrix: 1 for vectors, 2 for matrices....

The sizes in each dimension are 4-byte integers (MSB first, high endian, like in most non-Intel processors).

The data is stored like in a C array, i.e. the index in the last dimension changes the fastest.
"""

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

# 訓(xùn)練集文件
train_images_idx3_ubyte_file = '../../data/mnist/bin/train-images.idx3-ubyte'
# 訓(xùn)練集標(biāo)簽文件
train_labels_idx1_ubyte_file = '../../data/mnist/bin/train-labels.idx1-ubyte'

# 測(cè)試集文件
test_images_idx3_ubyte_file = '../../data/mnist/bin/t10k-images.idx3-ubyte'
# 測(cè)試集標(biāo)簽文件
test_labels_idx1_ubyte_file = '../../data/mnist/bin/t10k-labels.idx1-ubyte'


def decode_idx3_ubyte(idx3_ubyte_file):
    """
    解析idx3文件的通用函數(shù)
    :param idx3_ubyte_file: idx3文件路徑
    :return: 數(shù)據(jù)集
    """
    # 讀取二進(jìn)制數(shù)據(jù)
    bin_data = open(idx3_ubyte_file, 'rb').read()

    # 解析文件頭信息棒仍,依次為魔數(shù)悲靴、圖片數(shù)量、每張圖片高莫其、每張圖片寬
    offset = 0
    fmt_header = '>iiii'
    magic_number, num_images, num_rows, num_cols = struct.unpack_from(fmt_header, bin_data, offset)
    print '魔數(shù):%d, 圖片數(shù)量: %d張, 圖片大小: %d*%d' % (magic_number, num_images, num_rows, num_cols)

    # 解析數(shù)據(jù)集
    image_size = num_rows * num_cols
    offset += struct.calcsize(fmt_header)
    fmt_image = '>' + str(image_size) + 'B'
    images = np.empty((num_images, num_rows, num_cols))
    for i in range(num_images):
        if (i + 1) % 10000 == 0:
            print '已解析 %d' % (i + 1) + '張'
        images[i] = np.array(struct.unpack_from(fmt_image, bin_data, offset)).reshape((num_rows, num_cols))
        offset += struct.calcsize(fmt_image)
    return images


def decode_idx1_ubyte(idx1_ubyte_file):
    """
    解析idx1文件的通用函數(shù)
    :param idx1_ubyte_file: idx1文件路徑
    :return: 數(shù)據(jù)集
    """
    # 讀取二進(jìn)制數(shù)據(jù)
    bin_data = open(idx1_ubyte_file, 'rb').read()

    # 解析文件頭信息癞尚,依次為魔數(shù)和標(biāo)簽數(shù)
    offset = 0
    fmt_header = '>ii'
    magic_number, num_images = struct.unpack_from(fmt_header, bin_data, offset)
    print '魔數(shù):%d, 圖片數(shù)量: %d張' % (magic_number, num_images)

    # 解析數(shù)據(jù)集
    offset += struct.calcsize(fmt_header)
    fmt_image = '>B'
    labels = np.empty(num_images)
    for i in range(num_images):
        if (i + 1) % 10000 == 0:
            print '已解析 %d' % (i + 1) + '張'
        labels[i] = struct.unpack_from(fmt_image, bin_data, offset)[0]
        offset += struct.calcsize(fmt_image)
    return labels


def load_train_images(idx_ubyte_file=train_images_idx3_ubyte_file):
    """
    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
    Pixels are organized row-wise. Pixel values are 0 to 255. 0 means background (white), 255 means foreground (black).

    :param idx_ubyte_file: idx文件路徑
    :return: n*row*col維np.array對(duì)象,n為圖片數(shù)量
    """
    return decode_idx3_ubyte(idx_ubyte_file)


def load_train_labels(idx_ubyte_file=train_labels_idx1_ubyte_file):
    """
    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
    The labels values are 0 to 9.

    :param idx_ubyte_file: idx文件路徑
    :return: n*1維np.array對(duì)象乱陡,n為圖片數(shù)量
    """
    return decode_idx1_ubyte(idx_ubyte_file)


def load_test_images(idx_ubyte_file=test_images_idx3_ubyte_file):
    """
    TEST SET IMAGE FILE (t10k-images-idx3-ubyte):
    [offset] [type]          [value]          [description]
    0000     32 bit integer  0x00000803(2051) magic number
    0004     32 bit integer  10000            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
    Pixels are organized row-wise. Pixel values are 0 to 255. 0 means background (white), 255 means foreground (black).

    :param idx_ubyte_file: idx文件路徑
    :return: n*row*col維np.array對(duì)象浇揩,n為圖片數(shù)量
    """
    return decode_idx3_ubyte(idx_ubyte_file)


def load_test_labels(idx_ubyte_file=test_labels_idx1_ubyte_file):
    """
    TEST SET LABEL FILE (t10k-labels-idx1-ubyte):
    [offset] [type]          [value]          [description]
    0000     32 bit integer  0x00000801(2049) magic number (MSB first)
    0004     32 bit integer  10000            number of items
    0008     unsigned byte   ??               label
    0009     unsigned byte   ??               label
    ........
    xxxx     unsigned byte   ??               label
    The labels values are 0 to 9.

    :param idx_ubyte_file: idx文件路徑
    :return: n*1維np.array對(duì)象,n為圖片數(shù)量
    """
    return decode_idx1_ubyte(idx_ubyte_file)




def run():
    train_images = load_train_images()
    train_labels = load_train_labels()
    # test_images = load_test_images()
    # test_labels = load_test_labels()

    # 查看前十個(gè)數(shù)據(jù)及其標(biāo)簽以讀取是否正確
    for i in range(10):
        print train_labels[i]
        plt.imshow(train_images[i], cmap='gray')
        plt.show()
    print 'done'

if __name__ == '__main__':
    run()

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末憨颠,一起剝皮案震驚了整個(gè)濱河市临燃,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌烙心,老刑警劉巖,帶你破解...
    沈念sama閱讀 206,839評(píng)論 6 482
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件乏沸,死亡現(xiàn)場(chǎng)離奇詭異淫茵,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)蹬跃,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 88,543評(píng)論 2 382
  • 文/潘曉璐 我一進(jìn)店門匙瘪,熙熙樓的掌柜王于貴愁眉苦臉地迎上來铆铆,“玉大人,你說我怎么就攤上這事丹喻”』酰” “怎么了?”我有些...
    開封第一講書人閱讀 153,116評(píng)論 0 344
  • 文/不壞的土叔 我叫張陵碍论,是天一觀的道長(zhǎng)谅猾。 經(jīng)常有香客問我,道長(zhǎng)鳍悠,這世上最難降的妖魔是什么税娜? 我笑而不...
    開封第一講書人閱讀 55,371評(píng)論 1 279
  • 正文 為了忘掉前任,我火速辦了婚禮藏研,結(jié)果婚禮上敬矩,老公的妹妹穿的比我還像新娘。我一直安慰自己蠢挡,他們只是感情好弧岳,可當(dāng)我...
    茶點(diǎn)故事閱讀 64,384評(píng)論 5 374
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著业踏,像睡著了一般禽炬。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上堡称,一...
    開封第一講書人閱讀 49,111評(píng)論 1 285
  • 那天瞎抛,我揣著相機(jī)與錄音,去河邊找鬼却紧。 笑死桐臊,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的晓殊。 我是一名探鬼主播断凶,決...
    沈念sama閱讀 38,416評(píng)論 3 400
  • 文/蒼蘭香墨 我猛地睜開眼,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼巫俺!你這毒婦竟也來了认烁?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,053評(píng)論 0 259
  • 序言:老撾萬榮一對(duì)情侶失蹤介汹,失蹤者是張志新(化名)和其女友劉穎却嗡,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體嘹承,經(jīng)...
    沈念sama閱讀 43,558評(píng)論 1 300
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡窗价,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,007評(píng)論 2 325
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了叹卷。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片撼港。...
    茶點(diǎn)故事閱讀 38,117評(píng)論 1 334
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡坪它,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出帝牡,到底是詐尸還是另有隱情往毡,我是刑警寧澤,帶...
    沈念sama閱讀 33,756評(píng)論 4 324
  • 正文 年R本政府宣布靶溜,位于F島的核電站开瞭,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏墨技。R本人自食惡果不足惜惩阶,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,324評(píng)論 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望扣汪。 院中可真熱鬧断楷,春花似錦、人聲如沸崭别。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,315評(píng)論 0 19
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽茅主。三九已至舞痰,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間诀姚,已是汗流浹背响牛。 一陣腳步聲響...
    開封第一講書人閱讀 31,539評(píng)論 1 262
  • 我被黑心中介騙來泰國(guó)打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留赫段,地道東北人呀打。 一個(gè)月前我還...
    沈念sama閱讀 45,578評(píng)論 2 355
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像糯笙,于是被迫代替她去往敵國(guó)和親贬丛。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 42,877評(píng)論 2 345

推薦閱讀更多精彩內(nèi)容

  • 前端性能優(yōu)化有很多種给涕,我們?cè)趯?shí)際工作中或許也就用到那么幾種豺憔。但是,在面試的時(shí)候够庙,知道的不知道的恭应,要說很多種,下面是...
    鞏小白閱讀 989評(píng)論 6 26
  • 看到‘孟子旁通’做官莫作怪這一章,南老師說毅桃,中國(guó)的老百姓還是很善良的褒纲。我們的民族性素來以仁義為懷,老百姓始終順天之...
    藝萍閱讀 3,026評(píng)論 0 0
  • 下午在悶熱的圖書館里钥飞,耳里聽著趙鑫全的邏輯以及……段子莺掠。 這算不算是他們這一行業(yè)的發(fā)展趨勢(shì),各大培訓(xùn)機(jī)...
    我要為你唱首歌閱讀 325評(píng)論 0 1
  • 做一個(gè)瞎子读宙,做一個(gè)聾子 做一個(gè)傻子彻秆,做一個(gè)簡(jiǎn)單人 堂堂正正 與人為善
    李六六六閱讀 110評(píng)論 0 0