那我如何使用paddlepaddle获得minst相反的数据集呢

如果您想获取 MNIST 数据集的反转图像数据集，可以借助 PaddlePaddle 提供的数据增强功能来实现。具体来说，您可以使用 `paddle.vision.transforms` 模块中的 `functional.invert()` 函数对 MNIST 数据集中的所有图像进行反转，并且将反转后的图像作为新的数据集。以下是样例代码：

import paddle
import paddle.vision.transforms as T
from paddle.vision.datasets import MNIST

train_dataset = MNIST(mode='train')

# 定义数据增强函数
transform = T.Compose([
    T.ToTensor(),
    T.Normalize([0.1307], [0.3081]),
    T.Lambda(lambda x: T.functional.invert(x)), # 反转图像
    T.Lambda(lambda x: x.reshape([1, 28, 28]))  # 调整形状
])

# 对训练集中所有图像进行反转
train_dataset_inverted = []
for i in range(len(train_dataset)):
    img = train_dataset[i][0]
    label = train_dataset[i][1]
    img_inverted = transform(img)
    train_dataset_inverted.append((img_inverted, label))

# 将反转后的数据集转为 PaddlePaddle 的 Dataset 类型
train_dataset_inverted = paddle.vision.datasets.DatasetCatalog.add(
    "mnist_inverted", train_dataset_inverted)

# 创建 DataLoader
train_loader_inverted = paddle.io.DataLoader(
    train_dataset_inverted,
    batch_size=128,
    shuffle=True,
    num_workers=4,
    drop_last=True)

在上面的代码中，我们首先使用 `paddle.vision.datasets.MNIST` 加载原始的 MNIST 数据集，然后定义了一个数据增强函数 `transform`，其中使用了 `T.Lambda()` 函数来调用 `functional.invert()` 进行图像反转。接着，我们对训练集中的所有图像进行反转，并将反转后的图像作为新的数据集 `train_dataset_inverted`。最后，我们将反转后的数据集转为 PaddlePaddle 的 Dataset 类型，并使用 `paddle.io.DataLoader` 创建 DataLoader，以便用于训练模型。

需要注意的是，在上面的代码中，我们只对训练集中的图像进行了反转。如果您需要对测试集中的图像进行反转，可以按照类似的方式进行处理。