numpy读取数组测试集

如果测试集是以numpy数组的形式存在，那么可以直接使用numpy.load()函数读取数组。以下是一个示例代码：

import numpy as np

# 读取测试集数组文件
test_data = np.load('test_data.npy')

# 打印测试集数据
print(test_data)

在上面的代码中，我们使用了numpy.load()函数来读取名为test_data.npy的测试集数组文件。读取完成后，我们将测试集数据存储在名为test_data的numpy数组中，并使用print语句打印出来。

相关问题

Fashion MNIST数据集中包含10种类别、共7万张不同商品的正面图像。在Keras中集成了Fashion MNIST数据集，被划分为训练集和测试集。 下载数据集，并完成以下要求： 要求： (1)下载Fashion MNIST数据集，读取训练集和测试集数据，分别放在NumPy数组train_x、train_y、test_x、test_y中（train_x：训练集图像，train_y：训练集标签，test_x：测试集图像，test_y：测试集标签） (2)编写代码段，查看训练集和测试集的样本数、形状，并查看数据集中的10类标签分别是什么。 (3)从训练集中选择前10张图像，对每张图像分别进行以下变换：转置、上下翻转、顺时针旋转10度、逆时针旋转10度、水平镜像，将图像数量由10张增加到60张，并将处理后的图像保存在多维数组train_x_aug1中。

import numpy as np
import tensorflow.keras.datasets.fashion_mnist as fashion_mnist

# 下载并加载Fashion MNIST数据集
(train_x, train_y), (test_x, test_y) = fashion_mnist.load_data()

# 查看训练集和测试集的样本数、形状，并查看数据集中的10类标签分别是什么
print('训练集图像数：', train_x.shape[0])
print('训练集图像形状：', train_x.shape[1:])
print('测试集图像数：', test_x.shape[0])
print('测试集图像形状：', test_x.shape[1:])
print('10类标签分别是：', np.unique(train_y))

# 对训练集前10张图像进行变换
train_x_aug1 = np.empty((train_x.shape[0] * 6, train_x.shape[1], train_x.shape[2]))
for i in range(10):
    # 转置
    train_x_aug1[i*6] = np.transpose(train_x[i])
    # 上下翻转
    train_x_aug1[i*6+1] = np.flipud(train_x[i])
    # 顺时针旋转10度
    train_x_aug1[i*6+2] = np.rot90(train_x[i], k=-1)
    # 逆时针旋转10度
    train_x_aug1[i*6+3] = np.rot90(train_x[i])
    # 水平镜像
    train_x_aug1[i*6+4] = np.fliplr(train_x[i])
    # 原图像
    train_x_aug1[i*6+5] = train_x[i]

说明：以上代码中，我们首先使用`fashion_mnist.load_data()`函数下载Fashion MNIST数据集，并将训练集和测试集分别赋值给`train_x`、`train_y`、`test_x`、`test_y`。然后，我们使用`np.unique(train_y)`函数查看数据集中的10类标签是什么。接下来，我们对训练集前10张图像进行了5种变换，分别是转置、上下翻转、顺时针旋转10度、逆时针旋转10度、水平镜像，并将处理后的图像保存在多维数组`train_x_aug1`中，共60张图像。

pytorch手写体识别使用numpy读取数据代码

下面是使用 NumPy 读取 MNIST 手写数字数据集并进行预处理的示例代码：

import numpy as np
import torch
from torch.utils.data import DataLoader, TensorDataset

# 读取数据集
def load_data(path):
    with open(path, 'rb') as f:
        data = np.frombuffer(f.read(), np.uint8, offset=16)
    return data.reshape(-1, 28*28)

# 加载数据集
train_data = load_data('mnist/train-images.idx3-ubyte')
train_labels = load_data('mnist/train-labels.idx1-ubyte')
test_data = load_data('mnist/t10k-images.idx3-ubyte')
test_labels = load_data('mnist/t10k-labels.idx1-ubyte')

# 预处理数据
train_data = train_data / 255.0
test_data = test_data / 255.0
train_data = torch.from_numpy(train_data).float()
train_labels = torch.from_numpy(train_labels).long()
test_data = torch.from_numpy(test_data).float()
test_labels = torch.from_numpy(test_labels).long()

# 构建数据集和数据加载器
train_dataset = TensorDataset(train_data, train_labels)
test_dataset = TensorDataset(test_data, test_labels)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

在这个示例代码中，我们首先定义了一个 `load_data` 函数，用于读取 MNIST 数据集文件，并将数据转换为 NumPy 数组形式。然后，我们将数据集进行预处理，包括归一化和转换为 PyTorch 的 Tensor 对象。最后，我们使用 PyTorch 的 `TensorDataset` 和 `DataLoader` 类构建了训练集和测试集的数据集和数据加载器，方便后续进行模型训练和测试。