文章目录
- 写在前面
- 示例代码
- 另一种办法
- 小结
- 参考
写在前面
之前一直在看MLP的手写数字识别问题，看的书是迈克尔·尼尔森的深度学习入门书《神经网络与深度学习》（《Neural networks and deep learning》，老师推荐的，讲得很不错，数学不多，适合入门），目前中文版已在Github开源（网址在这里），有兴趣的朋友可以去学习。
本文讲一下如何用Python的图片处理库pillow（PIL）显示MNIST（手写数字数据集）里面的图片（否则训练半天模型都对这个数据集没个直观的理解）。。
数据（mnist.pkl.gz文件）的下载地址在这里，网不好的朋友可以移步。
示例代码
# 导入解压及数据读取库（系统自带）
import gzip, pickle
# 导入图形处理库
from PIL import Image
# 导入矩阵处理库
import numpy as np
# pyplot用于显示图形
# （如果使用Image内置的`.show()`方法会使用系统默认的图形查看器打开，速度较慢）
import matplotlib.pyplot as plt
# 首先进行解压，以字节形式读取
f = gzip.open('mnist.pkl.gz', 'rb')
# 读取pkl文件（Python特有的的数据形式）
# 需要设定编码，否则会报错
# 数据集中有三个部分，分别是训练集、验证集和测试集，本示例程序以a,b,c代替
a,b,c = pickle.load(f, encoding='latin1')
f.close()
# 选择打开第几(n)个图片
n=1
# 根据索引选择图片，并改变形状（图片的原始形状为784*1）
arr = a[0][n].reshape(28,28)
# 使用Image的`.fromarray()`方法读入图片矩阵
# 注意这里图片的灰度值是以0-1之间的float32类型存储的，需要先转换成RGB数值（0-255）
# 再对已读入的图片进行转换（否则会显示为彩色）
img = Image.fromarray(np.uint8(arr*255)).convert("1")
# 使用`pyplot`的函数显示图像
plt.imshow(img)
plt.show()
# print(img.mode)
print("图片上的数字是：%s"%(a[1][n]))
运行结果：
图片上的数字是：0
另一种办法
import gzip
import pickle
import pylab
# 以二进制只读格式读取图片及索引文件
with gzip.open('data/mnist.pkl.gz', 'rb') as f:
# f.seek(0)
img = pickle.load(f, encoding='latin1')
i = 0
j = 10
# 输出第j张图片
# i={0,1,2},i=0时为50000个数据的训练集
# i=1时为10000个数据的验证集
# i=2时为10000个数据的测试集
img_x = img[i][0][j].reshape(28, 28)
img_id = img[i][1][j]
print(img_id)
pylab.imshow(img_x)
pylab.gray()
pylab.show()
这种方法使用了matplotlib库的pylab模块，比上一种方法更加简洁。
小结
-
PIL.Image所需的数据是 uinit8 型的，范围是0-255，所以在读取MNIST数据的时候需要进行转换; - 需要知道PIL导入图片时候有以下几种格式，本例中的图片对应模式
"1"，可以通过img.mode来查看图片对应的模式，具体可以参看1
模式
1 1位像素，黑和白，存成8位的像素
L 8位像素，黑白
P 8位像素，使用调色板映射到任何其他模式
RGB 3×8位像素，真彩
RGBA 4×8位像素，真彩+透明通道
CMYK 4×8位像素，颜色隔离
YCbCr 3×8位像素，彩色视频格式
I 32位整型像素
F 32位浮点型像素
参考
- python PIL 图像处理; ↩︎
