Databáze MNIST ručně psaných číslic

  • Článek

Databáze MNIST ručně psaných číslic obsahuje trénovací sadu 60 000 příkladů a testovací sadu 10 000 příkladů. Číslice mají normalizovanou velikost a jsou umístěné ve středu obrázku s pevnou velikostí.

Poznámka:

Microsoft poskytuje datové sady Azure Open Datasets na bázi "tak, jak je". Společnost Microsoft neposkytuje žádné záruky, výslovné ani předpokládané záruky ani podmínky týkající se vašeho používání datových sad. V rozsahu povoleném vaším místním zákonem společnost Microsoft odmítá veškerou odpovědnost za případné škody nebo ztráty, včetně přímých, následných, zvláštních, nepřímých, náhodných nebo represivních, vyplývajících z vašeho používání datových sad.

Na tuto datovou sadu se vztahují původní podmínky, které Microsoft přijal se zdrojovými daty. Datová sada může obsahovat data pocházející z Microsoftu.

Zdrojem této datové sady je tato databáze MNIST ručně psaných číslic. Je to podmnožina větších ručně tištěných formulářů a znaků NIST, kterou publikoval National Institute of Standards and Technology.

Umístění úložiště

  • Účet objektů blob: azureopendatastorage
  • Název kontejneru: mnist

Přímo v tomto kontejneru jsou k dispozici čtyři soubory:

  • train-images-idx3-ubyte.gz: trénovací sady (9 912 422 bajtů)
  • train-labels-idx1-ubyte.gz: popisky trénovací sady (28 881 bajtů)
  • t10k-images-idx3-ubyte.gz: obrázky testovací sady (1 648 877 bajtů)
  • t10k-labels-idx1-ubyte.gz: popisky testovací sady (4 542 bajtů)

Přístup k datům

Azure Notebooks

Načtěte MNIST do datového rámce pomocí azure Machine Učení tabulkových datových sad.

Další informace o datových sadách azure machine Učení najdete v tématu Vytvoření datových sad Učení azure machine.

Získání úplné datové sady do datového rámce

from azureml.opendatasets import MNIST

mnist = MNIST.get_tabular_dataset()
mnist_df = mnist.to_pandas_dataframe()
mnist_df.info()

Získání datových rámců pro trénování a testování

mnist_train = MNIST.get_tabular_dataset(dataset_filter='train')
mnist_train_df = mnist_train.to_pandas_dataframe()
X_train = mnist_train_df.drop("label", axis=1).astype(int).values/255.0
y_train = mnist_train_df.filter(items=["label"]).astype(int).values

mnist_test = MNIST.get_tabular_dataset(dataset_filter='test')
mnist_test_df = mnist_test.to_pandas_dataframe()
X_test = mnist_test_df.drop("label", axis=1).astype(int).values/255.0
y_test = mnist_test_df.filter(items=["label"]).astype(int).values

Vykreslení některých obrázků číslic

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt

# now let's show some randomly chosen images from the traininng set.
count = 0
sample_size = 30
plt.figure(figsize=(16, 6))
for i in np.random.permutation(X_train.shape[0])[:sample_size]:
    count = count + 1
    plt.subplot(1, sample_size, count)
    plt.axhline('')
    plt.axvline('')
    plt.text(x=10, y=-10, s=y_train[i], fontsize=18)
    plt.imshow(X_train[i].reshape(28, 28), cmap=plt.cm.Greys)
plt.show()

Stáhněte nebo připojte nezpracované soubory MNIST azure Machine Učení datových sad souborů.

To funguje jenom pro výpočetní prostředky založené na Linuxu. Další informace o datových sadách azure machine Učení najdete v tématu Vytvoření datových sad Učení azure machine.

mnist_file = MNIST.get_file_dataset()
mnist_file

mnist_file.to_path()

Stažení souborů do místního úložiště

import os
import tempfile

data_folder = tempfile.mkdtemp()
data_paths = mnist_file.download(data_folder, overwrite=True)
data_paths

Připojte soubory. Užitečné při spuštění úlohy trénování na vzdáleném výpočetním prostředí.

import gzip
import struct
import pandas as pd
import numpy as np

# load compressed MNIST gz files and return pandas dataframe of numpy arrays
def load_data(filename, label=False):
    with gzip.open(filename) as gz:
        gz.read(4)
        n_items = struct.unpack('>I', gz.read(4))
        if not label:
            n_rows = struct.unpack('>I', gz.read(4))[0]
            n_cols = struct.unpack('>I', gz.read(4))[0]
            res = np.frombuffer(gz.read(n_items[0] * n_rows * n_cols), dtype=np.uint8)
            res = res.reshape(n_items[0], n_rows * n_cols)
        else:
            res = np.frombuffer(gz.read(n_items[0]), dtype=np.uint8)
            res = res.reshape(n_items[0], 1)
    return pd.DataFrame(res)

import sys
mount_point = tempfile.mkdtemp()
print(mount_point)
print(os.path.exists(mount_point))

if sys.platform == 'linux':
  print("start mounting....")
  with mnist_file.mount(mount_point):
    print("list dir...")
    print(os.listdir(mount_point))
    print("get the dataframe info of mounted data...")
    train_images_df = load_data(next(path for path in data_paths if path.endswith("train-images-idx3-ubyte.gz")))
    print(train_images_df.info())

Azure Databricks

Načtěte MNIST do datového rámce pomocí azure Machine Učení tabulkových datových sad.

Další informace o datových sadách azure machine Učení najdete v tématu Vytvoření datových sad Učení azure machine.

Získání úplné datové sady do datového rámce

# This is a package in preview.
from azureml.opendatasets import MNIST

mnist = MNIST.get_tabular_dataset()
mnist_df = mnist.to_spark_dataframe()

display(mnist_df.limit(5))

Stáhněte nebo připojte nezpracované soubory MNIST azure Machine Učení datových sad souborů.

To funguje jenom pro výpočetní prostředky založené na Linuxu. Další informace o datových sadách azure machine Učení najdete v tématu Vytvoření datových sad Učení azure machine.

mnist_file = MNIST.get_file_dataset()
mnist_file

mnist_file.to_path()

Stažení souborů do místního úložiště

import os
import tempfile

mount_point = tempfile.mkdtemp()
mnist_file.download(mount_point, overwrite=True)

Připojte soubory. Užitečné při spuštění úlohy trénování na vzdáleném výpočetním prostředí.

import gzip
import struct
import pandas as pd
import numpy as np

# load compressed MNIST gz files and return numpy arrays
def load_data(filename, label=False):
    with gzip.open(filename) as gz:
        gz.read(4)
        n_items = struct.unpack('>I', gz.read(4))
        if not label:
            n_rows = struct.unpack('>I', gz.read(4))[0]
            n_cols = struct.unpack('>I', gz.read(4))[0]
            res = np.frombuffer(gz.read(n_items[0] * n_rows * n_cols), dtype=np.uint8)
            res = res.reshape(n_items[0], n_rows * n_cols)
        else:
            res = np.frombuffer(gz.read(n_items[0]), dtype=np.uint8)
            res = res.reshape(n_items[0], 1)
    return pd.DataFrame(res)

import sys
mount_point = tempfile.mkdtemp()
print(mount_point)
print(os.path.exists(mount_point))
print(os.listdir(mount_point))

if sys.platform == 'linux':
  print("start mounting....")
  with mnist_file.mount(mount_point):
    print(context.mount_point )
    print(os.listdir(mount_point))  
    train_images_df = load_data(os.path.join(mount_point, 'train-images-idx3-ubyte.gz'))
    print(train_images_df.info())

Další kroky

Prohlédněte si zbývající datové sady v katalogu Open Datasets.