python Набор данных MNIST "без атрибута train_images"

Question

Я использую python3 .7 и пытаюсь использовать изображения данных поезда MNIST. Вместо использования PyTorch, TF, Kears Framwork, которые помогают легко использовать набор данных, я попытался использовать модуль mnist напрямую.

Я следовал учебник для CNN, там был

import mnist

Затем я попытался «pip install python -mnist» (после удаления python -mnist я сделал «pip install mnist»), и он был успешно загружен. затем я набрал те же коды для создания изображений поездов.

train_images = mnist.train_images ()

однако там написано: «AttributeError: модуль« mnist »не имеет атрибута« train_images »»

Я проверил print (mnist), и он дает путь, но print (mnist.train_images) выдает то же сообщение об ошибке. Насколько я знаю, можно использовать функции в ' init .py', но, похоже, это не так ... или в чем я ошибаюсь?

введите описание изображения здесь

++. Более того, даже если я удалил папку mnist и запустил тот же код, он все еще существует, печатая по тому же пути, который, как я полагаю, должен печатать 'нет модуль мнисть .. какие знания мне не хватает сейчас ..? : (

Заранее спасибо,

Answer 1

На самом деле, вам просто нужно следовать инструкциям на странице Github MNIST ( ссылка ). После установки библиотеки с pip install python-mnist вы должны клонировать репо и выполнить скрипт для загрузки данных mnist:

git clone https://github.com/sorki/python-mnist
cd python-mnist
./get_data.sh

Ваши данные будут сохранены в папке с именем data, после чего вы сможете вызовите его в коде, используя:

from mnist import MNIST
mndata = MNIST('data/')
mndata.gz = False
images, labels = mndata.load_training()

Переменная images представляет собой список списков пикселей, после этого вы должны изменить его форму, чтобы увидеть изображения.

NB : На вашем месте я просто буду использовать pytorch или Keras, потому что это намного проще, и они сделают эту работу за вас. После этого, если вы не хотите использовать тензоры, вы можете просто преобразовать их обратно в numpy массивы.