怎么使用mxnet将自己的统一文件夹下的数据集图片做成mnist数据集标签为文件夹名

要使用mxnet将自己的统一文件夹下的数据集图片做成mnist数据集，其中标签为文件夹名，可以按照以下步骤进行：

1. 准备自己的数据集，将不同类别的图片分别存放在不同的文件夹中。

2. 安装mxnet，并导入必要的模块：

import mxnet as mx
import os

3. 定义一个函数来加载图片和标签数据：

def load_data(path):
    data = []
    label = []
    for foldername in os.listdir(path):
        folderpath = os.path.join(path, foldername)
        for filename in os.listdir(folderpath):
            filepath = os.path.join(folderpath, filename)
            img = mx.image.imread(filepath, flag=0)
            data.append(img)
            label.append(int(foldername))
    return data, label

load_data函数会遍历指定路径下的所有文件夹，读取每个文件夹中的图片，并将图片和对应的标签存储在两个列表中。

4. 定义一个函数来将图片和标签数据转换为mxnet的数据格式：

def transform(data, label):
    data = [mx.image.imresize(img, 28, 28) for img in data]
    data = [mx.nd.array(img) for img in data]
    label = mx.nd.array(label)
    return data, label

transform函数会对图片进行缩放和格式转换，并将标签转换为mxnet的数据格式。

5. 加载自己的数据集，并将其转换为mxnet的数据格式：

data, label = load_data('path/to/your/dataset')
data, label = transform(data, label)

6. 加载mnist数据集，并将其转换为mxnet的数据格式：

train_data = mx.gluon.data.vision.MNIST(train=True)
test_data = mx.gluon.data.vision.MNIST(train=False)

train_data = train_data.transform_first(transform)
test_data = test_data.transform_first(transform)

7. 将自己的数据集与mnist数据集合并：

train_data = mx.gluon.data.ConcatDataset(train_data, mx.gluon.data.ArrayDataset(data, label))

8. 最后，可以像使用mnist数据集一样使用合并后的数据集来训练模型。

以上就是使用mxnet将自己的统一文件夹下的数据集图片做成mnist数据集标签为文件夹名的步骤，希望能对你有所帮助。