在TensorFlow的官方入門課程中，多次用到mnist數據集。

mnist數據集是一個數字手寫體圖片庫，但它的存儲格式并非常見的圖片格式，所有的圖片都集中保存在四個擴展名為idx3-ubyte的二進制文件。

如果我們想要知道大名鼎鼎的mnist手寫體數字都長什么樣子，就需要從mnist數據集中導出手寫體數字圖片。了解這些手寫體的總體形狀，也有助于加深我們對TensorFlow入門課程的理解。

下面先給出通過TensorFlow api接口導出mnist手寫體數字圖片的python代碼，再對代碼進行分析。代碼在win7下測試通過，linux環境也可以參考本處代碼。

（非常良心的注釋和打印有木有）

#!/usr/bin/python3.5 # -*- coding: utf-8 -*-import os import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_datafrom PIL import Image# 聲明圖片寬高 rows = 28 cols = 28# 要提取的圖片數量 images_to_extract = 8000# 當前路徑下的保存目錄 save_dir = "./mnist_digits_images"# 讀入mnist數據 mnist = input_data.read_data_sets("MNIST_data/", one_hot=False)# 創建會話 sess = tf.Session()# 獲取圖片總數 shape = sess.run(tf.shape(mnist.train.images)) images_count = shape[0] pixels_per_image = shape[1]# 獲取標簽總數 shape = sess.run(tf.shape(mnist.train.labels)) labels_count = shape[0]# mnist.train.labels是一個二維張量，為便于后續生成數字圖片目錄名，有必要一維化(后來發現只要把數據集的one_hot屬性設為False，mnist.train.labels本身就是一維) #labels = sess.run(tf.argmax(mnist.train.labels, 1)) labels = mnist.train.labels# 檢查數據集是否符合預期格式 if (images_count == labels_count) and (shape.size == 1):print ("數據集總共包含 %s 張圖片，和 %s 個標簽" % (images_count, labels_count))print ("每張圖片包含 %s 個像素" % (pixels_per_image))print ("數據類型：%s" % (mnist.train.images.dtype))# mnist圖像數據的數值范圍是[0,1]，需要擴展到[0,255]，以便于人眼觀看if mnist.train.images.dtype == "float32":print ("準備將數據類型從[0,1]轉為binary[0,255]...")for i in range(0,images_to_extract):for n in range(pixels_per_image):if mnist.train.images[i][n] != 0:mnist.train.images[i][n] = 255# 由于數據集圖片數量龐大，轉換可能要花不少時間，有必要打印轉換進度if ((i+1)%50) == 0:print ("圖像浮點數值擴展進度：已轉換 %s 張，共需轉換 %s 張" % (i+1, images_to_extract))# 創建數字圖片的保存目錄for i in range(10):dir = "%s/%s/" % (save_dir,i)if not os.path.exists(dir):print ("目錄 ""%s"" 不存在！自動創建該目錄..." % dir)os.makedirs(dir)# 通過python圖片處理庫，生成圖片indices = [0 for x in range(0, 10)]for i in range(0,images_to_extract):img = Image.new("L",(cols,rows))for m in range(rows):for n in range(cols):img.putpixel((n,m), int(mnist.train.images[i][n+m*cols]))# 根據圖片所代表的數字label生成對應的保存路徑digit = labels[i]path = "%s/%s/%s.bmp" % (save_dir, labels[i], indices[digit])indices[digit] += 1img.save(path)# 由于數據集圖片數量龐大，保存過程可能要花不少時間，有必要打印保存進度if ((i+1)%50) == 0:print ("圖片保存進度：已保存 %s 張，共需保存 %s 張" % (i+1, images_to_extract))else:print ("圖片數量和標簽數量不一致！")

上述代碼的實現思路如下：

1.讀入mnist手寫體數據；

2.把數據的值從[0,1]浮點范圍轉化為黑白格式(背景為0-黑色，前景為255-白色)；

3.根據mnist.train.labels的內容，生成數字索引，也就是建立每一張圖片和其所代表數字的關聯，由此創建對應的保存目錄；

4.循環遍歷mnist.train.images，把每張圖片的像素數據賦值給python圖片處理庫PIL的Image類實例，再調用Image類的save方法把圖片保存在第3步驟中創建的對應目錄。

?

在運行上述代碼之前，你需要確保本地已經安裝python的圖片處理庫PIL，pip安裝命令如下：

pip3 install Pillow

或 pip install Pillow，取決于你的pip版本。

?

上述python代碼運行后，在當前目錄下會生成mnist_digits_images目錄，在該目錄下，可以看到如下內容：

可以看到，我們成功地生成了黑底白字的數字圖片。

如果仔細觀察這些圖片，會看到一些肉眼也難以分辨的數字，譬如：

上面這幾個數字是2。想不到吧？

下面這兩個是5（看起來更像6）：

這個是7：（7長這樣？有句MMP不知當講不當講）

猜猜下面這個是什么：

這是大寫的L？不是。

有點像1，是1嗎？也不是。

倒立拉粑的7？sorry，又猜錯了。

實話告訴您，它是2！一開始我也是不相信的，知道真相的那一刻我下巴差點掉下來！

這些手寫圖片，一般人用肉眼觀察，識別率能達到98%就不錯了，但是通過TensorFlow搭建的卷積神經網絡識別率可以達到99%，非常地神奇！

總結

以上是生活随笔為你收集整理的如何从TensorFlow的mnist数据集导出手写体数字图片的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。