文章目录
第1关：创建训练样本批量生成器
@任务描述：
补充完成函数：参考任务生成器创建代码，为分类器提供批量样本，每个样本为(图片，标签)对。
（1）输入：def dataReader(imgfile, labelfile, batch_size, drop_last)
imgfile：为IDX图片文件；labelfile：为IDX标签文件，标签顺序与图片顺序相同；batch_size：为生成器提供的批量样本数量；drop_last：是否丢弃不足批量的剩余样本。
（2）返回：batch_size长度的列表，列表中元素为图像和标签对。
形式如下：[(图像1，标签1)，（图像2，标签2），（图像3，标签3）…]
#注意：训练时样本顺序必须打乱，随机选取。
列表中的图像元素为28*28的矩阵，类型为<class ‘numpy.ndarray’>
标签元素标量，类型为<class ‘numpy.uint8’>即不改变原文件中存储的数据元素类型。
##1.加载数据
import struct,random,numpy as np
code2type = {0x08: 'B', 0x09: 'b', 0x0B: 'h', 0x0c: 'i', 0x0D: 'f', 0x0E: 'd'}
def readMatrix(filename):
with open(filename,'rb') as f:
buff = f.read()
offset = 0
fmt = '>HBB'#格式定义，>表示高位在前，I表示4字节整数
_,dcode,dimslen = struct.unpack_from(fmt,buff,offset)
offset += struct.calcsize(fmt)
fmt = '>{}I'.format(dimslen)
shapes = struct.unpack_from(fmt,buff,offset)
offset += struct.calcsize(fmt)
fmt = '>'+ str(np.prod(shapes)) + code2type[dcode]
matrix = struct.unpack_from(fmt,buff,offset)
matrix = np.reshape(matrix,shapes).astype(code2type[dcode])
return matrix
def dataReader(imgfile, labelfile, batch_size, drop_last):
with open(imgfile,'rt') as f: # 引入with可以自动调用close()方法
readers = reader(f)
imgdatas = list(readers)
#print(labeldatas)
img_datas = np.array(imgdatas).astype("float32") # 因为模型需要float32格式的数据，所以在这里做下类型转换
with open(labelfile,'rt') as f: #引入with可以自动调用close()方法
readers = reader(f)
labeldatas = list(readers)
#print(labeldatas)
label_datas = np.array(labeldatas).astype("float32")
