mnist数据集加载

### 如何在 Python 中加载 MNIST 数据集

#### 使用 PyTorch 加载 MNIST 数据集

为了使用 PyTorch 进行训练，`train_data` 和 `test_data` 的类型应转换为 torch 类型的数据结构。具体来说，在 PyTorch 中可以利用内置的 torchvision 库来轻松下载和预处理 MNIST 数据集。

import torch
from torchvision import datasets, transforms

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])

# 下载并加载训练数据
trainset = datasets.MNIST('~/.pytorch/MNIST_data/', download=True, train=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)

# 下载并加载测试数据
testset = datasets.MNIST('~/.pytorch/MNIST_data/', download=True, train=False, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64, shuffle=True)

这段代码展示了如何通过 torchvision 来获取 MNIST 数据集，并将其转化为适合输入神经网络的形式[^1]。

#### 使用 TensorFlow 加载 MNIST 数据集

对于 TensorFlow 用户而言，同样可以通过 Keras API 轻松访问 MNIST 数据集：

import tensorflow as tf
from tensorflow.keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 对图像数据进行标准化操作
x_train, x_test = x_train / 255.0, x_test / 255.0

此部分代码说明了怎样借助 TensorFlow 提供的功能迅速取得 MNIST 图像及其标签，并执行必要的预处理工作[^3]。

#### 使用其他库加载 MNIST 数据集

除了上述两种主流框架外，还可以采用更底层的方式读取原始 CSV 文件形式存储的 MNIST 数据集。这种方法适用于那些希望绕过高级API直接接触基础数据的情况。

import pandas as pd

df_train = pd.read_csv('mnist_data/mnist_train.csv', header=None)
df_test = pd.read_csv('mnist_data/mnist_test.csv', header=None)

X_train = df_train.iloc[:, 1:].values.astype('float32') / 255.
y_train = df_train.iloc[:, 0].values.astype('int')

X_test = df_test.iloc[:, 1:].values.astype('float32') / 255.
y_test = df_test.iloc[:, 0].values.astype('int')

这里给出了当 MNIST 数据被保存成 CSV 文件时的一种导入方法[^2]。