下载MNIST数据集并将数据转换成NumPy数组的Python脚本里面最重要的就是load_mnist函数，其他项目想要调用数据集的话，就可以调用load_mnist函数，得到一个字典类型的数据，字典的值是一个Numpy数组。

这些过程是如何实现的，现在开始逐字逐句分析源码：

在load_mnist函数中第一句话是

    if not os.path.exists(save_file):
        init_mnist()

如果说数据没有被下载，那么就调用init_mnist()函数。

首先来分析init_mnist函数

在init_mnist()函数中，可以发现调用了download_mnist()函数。

def init_mnist():
    download_mnist()
    dataset = _convert_numpy()
    print("Creating pickle file ...")
    with open(save_file, 'wb') as f:
        pickle.dump(dataset, f, -1)
    print("Done!")

在download_mnist()函数中，可以看到又调用了_download(v)函数。

def download_mnist():
    for v in key_file.values():
       _download(v)

在_download(v)函数中，可以看出，它最重要的一句话就是urllib.request.urlretrieve，这个语句的意思就是把数据集下载到file_path路径下的文件里面。

def _download(file_name):
    file_path = dataset_dir + "/" + file_name
    
    if os.path.exists(file_path):
        return

    print("Downloading " + file_name + " ... ")
    urllib.request.urlretrieve(url_base + file_name, file_path)
    print("Done")

url_base = 'http://yann.lecun.com/exdb/mnist/'
key_file = {
    'train_img':'train-images-idx3-ubyte.gz',
    'train_label':'train-labels-idx1-ubyte.gz',
    'test_img':'t10k-images-idx3-ubyte.gz',
    'test_label':'t10k-labels-idx1-ubyte.gz'
}

然后回到download_mnist()函数，这里面调用了_convert_numpy函数

	# download_mnist()函数
    dataset = _convert_numpy()
    print("Creating pickle file ...")
    with open(save_file, 'wb') as f:
        pickle.dump(dataset, f, -1)
    print("Done!")

我们看 _convert_numpy函数：这函数返回一个字典数据类型，也就是键值对。这个函数里面调用了 _load_img函数。

def _convert_numpy():
    dataset = {}
    dataset['train_img'] =  _load_img(key_file['train_img'])
    dataset['train_label'] = _load_label(key_file['train_label'])    
    dataset['test_img'] = _load_img(key_file['test_img'])
    dataset['test_label'] = _load_label(key_file['test_label'])
    
    return dataset

我们看 _load_img函数，由print(“Converting " + file_name + " to NumPy Array …”)可以了解到，这个函数是用来将数据集转换成numpy数组的。

_load_img函数里面gzip.open(file_path, ‘rb’)，数据集是gz后缀的，这句话就是把这个数据给读出来。

def _load_img(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")    
    with gzip.open(file_path, 'rb') as f:
            data = np.frombuffer(f.read(), np.uint8, offset=16)
    data = data.reshape(-1, img_size)
    print("Done")
    
    return data

_load_img函数里面data = np.frombuffer(f.read(), np.uint8, offset=16)这句话，是把f.read()里面的数据转化成numpy数组，而且数组元素类型是uint8，读取的起始位置是16，为什么是16，可以看数据集TRAINING SET IMAGE FILE (train-images-idx3-ubyte)的存储内容：

[offset] [type]     [value]     [description]`
`0000   32 bit integer 0x00000803(2051) magic number`
`0004   32 bit integer 60000      number of images`
`0008   32 bit integer 28        number of rows`
`0012   32 bit integer 28        number of columns`
`0016   unsigned byte  ??        pixel`
`0017   unsigned byte  ??        pixel`
`........`
`xxxx   unsigned byte  ??        pixel

这部分是训练集的image信息，image信息是通过灰度值存储的，前16字节是数据集的信息，后面的字节都是图片的信息。所以要存图片的信息，就从16字节开始。

后面的data = data.reshape(-1, img_size)这句话，意思是把这个numpy数组变成行为1，列为img_size的样子。那么img_size函数最后就返回一个numpy数组。至此， _load_img函数已经解析完。

再看_convert_numpy函数，返回的dataset也就是一个字典，键是字符串，值是numpy数组。

回到init_mnist()函数里面，由print(“Creating pickle file …”)可以看到得到dataset之后，该函数进行的是创建pickle文件的操作。with open(save_file, ‘wb’) as f 这句话，意思是以二进制格式打开名字为save_file的文件只用于写入。我们的save_file = dataset_dir + “/mnist.pkl”，所以就是创建了一个pkl文件。那么写入什么呢，接下来看pickle.dump(dataset, f, -1)这句话，这句话表明，将对象dataset保存到我们的pkl文件中去，这个-1是pickle进行转换的协议版本。那么至此，init_mnist函数已经分析完，它返回一个pickle文件。

def init_mnist():
    download_mnist()
    dataset = _convert_numpy()
    print("Creating pickle file ...")
    with open(save_file, 'wb') as f:
        pickle.dump(dataset, f, -1)
    print("Done!")

接下来继续分析load_mnist函数

下面有一行，with open(save_file, ‘rb’) as f: dataset = pickle.load(f)，把之前的pickle文件重构为原来的python对象，给dataset。

load_mnist的参数normalize=True，这是将输入图像正规化为0-1的值，各个像素取值在0-255之间，dataset[key] /= 255.0就变成0-1之间了。

load_mnist的参数one_hot_label如果为True的话，设置将标签保存为ont-hot表示，one-hot表示是仅正确解标签为1，其余皆为0的数组。调用了 _change_one_hot_label函数来实现。

def _change_one_hot_label(X):
    T = np.zeros((X.size, 10))
    for idx, row in enumerate(T):
        row[X[idx]] = 1
        
    return T

load_mnist的参数flatten设置为True，则输入图像会保存为由784个元素构成的一维数组，设置为False，则输入图像为1*28 *28的三维数组。

最后load_mnist返回字典类型的dataset。键分别是train_img、train_label、test_img、test_label，值是由后缀为.gz数据集文件转换得到的Numpy数组。

def load_mnist(normalize=True, flatten=True, one_hot_label=False):
    if not os.path.exists(save_file):
        init_mnist()
        
    with open(save_file, 'rb') as f:
        dataset = pickle.load(f)
    
    if normalize:
        for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].astype(np.float32)
            dataset[key] /= 255.0
            
    if one_hot_label:
        dataset['train_label'] = _change_one_hot_label(dataset['train_label'])
        dataset['test_label'] = _change_one_hot_label(dataset['test_label'])
    
    if not flatten:
         for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].reshape(-1, 1, 28, 28)

    return (dataset['train_img'], dataset['train_label']), (dataset['test_img'], dataset['test_label']) 

至此，load_mnist函数已经分析完毕，下载MNIST数据集并使用python将数据转换成NumPy数组的全部代码:

实现数据集转换的python脚本的代码

# coding: utf-8
try:
    import urllib.request
except ImportError:
    raise ImportError('You should use Python 3.x')
import os.path
import gzip
import pickle
import os
import numpy as np


url_base = 'http://yann.lecun.com/exdb/mnist/'
key_file = {
    'train_img':'train-images-idx3-ubyte.gz',
    'train_label':'train-labels-idx1-ubyte.gz',
    'test_img':'t10k-images-idx3-ubyte.gz',
    'test_label':'t10k-labels-idx1-ubyte.gz'
}

dataset_dir = os.path.dirname(os.path.abspath(__file__))
save_file = dataset_dir + "/mnist.pkl"

train_num = 60000
test_num = 10000
img_dim = (1, 28, 28)
img_size = 784


def _download(file_name):
    file_path = dataset_dir + "/" + file_name
    
    if os.path.exists(file_path):
        return

    print("Downloading " + file_name + " ... ")
    urllib.request.urlretrieve(url_base + file_name, file_path)
    print("Done")
    
def download_mnist():
    for v in key_file.values():
       _download(v)
        
def _load_label(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")
    with gzip.open(file_path, 'rb') as f:
            labels = np.frombuffer(f.read(), np.uint8, offset=8)
    print("Done")
    
    return labels

def _load_img(file_name):
    file_path = dataset_dir + "/" + file_name
    
    print("Converting " + file_name + " to NumPy Array ...")    
    with gzip.open(file_path, 'rb') as f:
            data = np.frombuffer(f.read(), np.uint8, offset=16)
    data = data.reshape(-1, img_size)
    print("Done")
    
    return data
    
def _convert_numpy():
    dataset = {}
    dataset['train_img'] =  _load_img(key_file['train_img'])
    dataset['train_label'] = _load_label(key_file['train_label'])    
    dataset['test_img'] = _load_img(key_file['test_img'])
    dataset['test_label'] = _load_label(key_file['test_label'])
    
    return dataset

def init_mnist():
    download_mnist()
    dataset = _convert_numpy()
    print("Creating pickle file ...")
    with open(save_file, 'wb') as f:
        pickle.dump(dataset, f, -1)
    print("Done!")

def _change_one_hot_label(X):
    T = np.zeros((X.size, 10))
    for idx, row in enumerate(T):
        row[X[idx]] = 1
        
    return T
    

def load_mnist(normalize=True, flatten=True, one_hot_label=False):
    """读入MNIST数据集
    
    Parameters
    ----------
    normalize : 将图像的像素值正规化为0.0~1.0
    one_hot_label : 
        one_hot_label为True的情况下，标签作为one-hot数组返回
        one-hot数组是指[0,0,1,0,0,0,0,0,0,0]这样的数组
    flatten : 是否将图像展开为一维数组
    
    Returns
    -------
    (训练图像, 训练标签), (测试图像, 测试标签)
    """
    if not os.path.exists(save_file):
        init_mnist()
        
    with open(save_file, 'rb') as f:
        dataset = pickle.load(f)
    
    if normalize:
        for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].astype(np.float32)
            dataset[key] /= 255.0
            
    if one_hot_label:
        dataset['train_label'] = _change_one_hot_label(dataset['train_label'])
        dataset['test_label'] = _change_one_hot_label(dataset['test_label'])
    
    if not flatten:
         for key in ('train_img', 'test_img'):
            dataset[key] = dataset[key].reshape(-1, 1, 28, 28)

    return (dataset['train_img'], dataset['train_label']), (dataset['test_img'], dataset['test_label']) 


if __name__ == '__main__':
    init_mnist()

显示MNIST图像并确认数据

首先调用前面写的load_mnist函数(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)得到x_train、t_train、x_test、t_test这几个字典类型的对象。

要看训练集的第一个数据，就可以通过img = x_train[0]读出来第一个图片，label = t_train[0]读出来数据集里面放的第一个标签。输出出来发现，数据集里第一个图是5 。

展示图片用的是img_show函数，这个函数里面用的Image.fromarray作用是将array数据转成PIL能用的数据格式，从而输出图片。

import sys, os
sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
import numpy as np
from dataset.mnist import load_mnist
from PIL import Image


def img_show(img):
    pil_img = Image.fromarray(np.uint8(img))
    pil_img.show()

(x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)

img = x_train[0]
label = t_train[0]
print(label)  # 5

print(img.shape)  # (784,)
img = img.reshape(28, 28)  # 把图像的形状变为原来的尺寸
print(img.shape)  # (28, 28)

img_show(img)

输出：

Downloading train-images-idx3-ubyte.gz ... 
Done
Downloading train-labels-idx1-ubyte.gz ... 
Done
Downloading t10k-images-idx3-ubyte.gz ... 
Done
Downloading t10k-labels-idx1-ubyte.gz ... 
Done
Converting train-images-idx3-ubyte.gz to NumPy Array ...
Done
Converting train-labels-idx1-ubyte.gz to NumPy Array ...
Done
Converting t10k-images-idx3-ubyte.gz to NumPy Array ...
Done
Converting t10k-labels-idx1-ubyte.gz to NumPy Array ...
Done
Creating pickle file ...
Done!
5
(784,)
(28, 28)

Process finished with exit code 0

问题描述

train_loader=torch.utils.data.DataLoader(
    datasets.MNIST('data', train=True, download=True, 
                       transform=transforms.Compose([
                           transforms.ToTensor(),
                           transforms.Normalize((0.1307,), (0.3081,))
                       ])),
    batch_size=BATCH_SIZE,shuffle=True)

当我们使用上述代码加载MNIST数据时，数据集的下载非常缓慢，经常卡死。

解决方法

进入MNIST数据集网站，下载4个数据集压缩包，不要解压（因为pytorch还会对数据集进行一些处理，而不是单纯的解压，所以直接手动解压是不行的）。4个压缩包放在/data/MINIST/raw文件夹内，如下图所示：
这里我的文件路径是D:\aaa\pytorch-exercise\0my-exercise\data\MNIST\raw

之后，在python的库中找到torchvison库，再找到实现mnist加载的文件mnist.py。其在python中的大概路径如下：[你的python的位置]\lib\site-packages\torchvision\datasets\mnist.py

打开mnist.py，将class MNIST的mirrors变量改成 file:///后面加上上述4个压缩包所在的路径，resources变量不要改动，如下图所示：

mirrors中的路径，要写你的电脑中那4个压缩包所在的路径。

修改好后，再运行一遍加载MNIST数据的代码块，发现成功加载好了数据，如下：

去/data/MNIST/raw文件夹内查看，多出了4个文件：

至此，问题就解决了。我看网上其他博客，说raw的同级目录processed目录中还应该有两个文件，但我没管那两个文件，我的模型一样成功跑起来了。那就先不管那两个文件了。

具体的原理，大家可以看一下mnist.py的代码，尤其是self.download函数。
大家的torchvision的版本可能不一样。我还看过其他人的类内变量为url，而不是mirrors和resources，其实如果是url改动方法也和上面类似（其实更好改了）。

代码如下：

# 1.定义超参数
BATCH_SIZE = 16

# 2.构建pipeline，对图片做一些变换
pipeline = transforms.Compose([
    transforms.ToTensor(),     
    transforms.Normalize((0.1307,),(0.3081,)) 
])

# 3.加载数据集
from torch.utils.data import DataLoader

# 下载数据集
train_set = datasets.MNIST("data",train=True,download=True,transform=pipeline)

test_set = datasets.MNIST("data",train=False,download=True,transform=pipeline)

# 加载数据
train_loader = DataLoader(train_set,batch_size=BATCH_SIZE,shuffle=True)
test_loader = DataLoader(test_set,batch_size=BATCH_SIZE,shuffle=True)

这样就会自动下载数据集，下载的数据集是在你的代码所在的文件夹下面，一个叫data的文件夹，那里面就是下载的图片。
以上来源于从B站优秀的up主所讲解的视频中整理，B站链接为：
https://www.bilibili.com/video/BV1WT4y177SA?t=416