2. 程式人生 > >sklearn中digits手寫字型資料集介紹

sklearn中digits手寫字型資料集介紹

阿新 • • 發佈：2019-01-12

1. 匯入

from sklearn import datasets
digits = datasets.load_digits()

2. 屬性檢視

  • digits: bunch型別
print digits.keys()

['images', 'data', 'target_names', 'DESCR', 'target']

3. 具體資料

  • 1797個樣本，每個樣本包括8*8畫素的影象和一個[0, 9]整數的標籤

3.1 images

  • ndarray型別，儲存8*8的影象，裡面的元素是float64型別，共有1797張圖片
  • 用於顯示圖片
# 獲取第一張圖片
print digits.images[0]
plt.imshow(digits.image[0
 
])

[[  0.   0.   5.  13.   9.   1.   0.   0.]
 [  0.   0.  13.  15.  10.  15.   5.   0.]
 [  0.   3.  15.   2.   0.  11.   8.   0.]
 [  0.   4.  12.   0.   0.   8.   8.   0.]
 [  0.   5.   8.   0.   0.   9.   8.   0.]
 [  0.   4.  11.   0.   1.  12.   7.   0.]
 [  0.   2.  14.   5.  10.  12.   0.   0.]
 [  0.   0.   6.  13.  10.
 
   0.   0.   0.]]

3.2 data

  • ndarray型別，將images按行展開成一行，共有1797行
  • 輸入資料
# 獲取第一張圖片的資料
print digits.data[0]

[  0.   0.   5.  13.   9.   1.   0.   0.   0.   0.  13.  15.  10.  15.   5.
   0.   0.   3.  15.   2.   0.  11.   8.   0.   0.   4.  12.   0.   0.   8.
   8.   0.   0.   5.   8.   0.   0.   9.   8.   0.   0.   4.  11.   0.   1.
  12.
 
   7.   0.   0.   2.  14.   5.  10.  12.   0.   0.   0.   0.   6.  13.
  10.   0.   0.   0.]

3.3 target

  • ndarray型別，指明每張圖片的標籤，也就是每張圖片代表的數字
  • 輸出資料，標籤
# 獲取第一張圖片的標籤
print digits.target[0]

0

3.4 target_names

  • ndarray型別，資料集中所有標籤值
print digits.target_names

[0 1 2 3 4 5 6 7 8 9]

3.5 DESCR

  • 資料集的描述，作者，資料來源等

把一張圖片轉化為畫素矩陣:

from sklearn.datasets import load_digits
import matplotlib.pyplot as plt


digits = load_digits()
print(digits.data[1].reshape((8,8))) #方法1
print(digits.images[1])#方法2

顯示10張圖片:

fig, ax = plt.subplots(
        nrows=2,
        ncols=5,
        sharex=True,
        sharey=True, )

ax = ax.flatten()

for i in range(10):
    ax[i].imshow(digits.data[i].reshape((8,8)), cmap='Greys', interpolation='nearest')

plt.show()

相關推薦

sklearn中digits手寫字型資料集介紹

1. 匯入from sklearn import datasets digits = datasets.load_digits()2. 屬性檢視digits: bunch型別print digits.keys() ['images', 'data', 'target_nam

Tensorflow中MNIST手寫數字資料集

剛開始跑的程式碼還有錯誤，但是不知道為什麼再次執行就正確了，可能是新添加了input_data.py檔案，暫存記錄一下，等待深入研究 # -- coding: utf-8 -- import tensorflow as tf from tensorflow.example

MNIST手寫數字資料集的讀取，基於python3

MNIST 是一個入門級別的計算機視覺資料庫，也是機器學習領域最有名的資料集之一。當我們開始學習程式設計的時候，第一件事往往就是打“Hello world”。而在機器學習中，識別 MNIST 就相當於程式設計中的“Hello world”。 MNIST 中包含了

Mnist手寫數字資料集softmax識別

# -*- coding: utf-8 -*- # @Time : 2018/12/14 11:09 # @Author : WenZhao # @Email : [email protected] # @File : mnistSoftmax.py # @Softw

[TensorFlow深度學習入門]實戰九·用CNN做科賽網TibetanMNIST藏文手寫數字資料集準確率98%+

[TensorFlow深度學習入門]實戰九·用CNN做科賽網TibetanMNIST藏文手寫數字資料集準確率98.8%+ 我們在博文，使用CNN做Kaggle比賽手寫數字識別準確率99%+，在此基礎之上，我們進行對科賽網TibetanMNIST藏文手寫數字資料集訓練，來驗證網路的正確性。

MNIST手寫數字資料集

from torchvision import datasets, transforms # training parameters batch_size = 128 lr = 0.0002 train_epoch = 20 # data_loader img_size = 64 transfor

pytorch + visdom AutoEncode 和 VAE(Variational Autoencoder) 處理 手寫數字資料集（MNIST）

環境 系統：win10 cpu：i7-6700HQ gpu：gtx965m python : 3.6 pytorch ：0.3 資料 使用 mnist，使用方法前面文章有。 train_dataset = da

TF之CNN：利用sklearn(自帶手寫圖片識別資料集)使用dropout解決學習中overfitting的問題+Tensorboard顯示變化曲線

import tensorflow as tf from sklearn.datasets import load_digits #from sklearn.cross_validation import train_test_split from sklearn.model_selection import

用Keras進行手寫字型識別（MNIST資料集）

資料 首先載入資料 from keras.datasets import mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data() 接下來，看

Tensorflow1.8用keras實現MNIST資料集手寫字型識別例程

import tensorflow as tf tf.enable_eager_execution() eager是新版本加入的動態圖，可以直接計算出結果而不用使用Session。同時也支援微分操作。 class DataLoader(): def __init_

Tensorflow1.8用keras實現MNIST資料集手寫字型識別例程（二）

class CNN(tf.keras.Model): def __init__(self): super().__init__() self.conv1 = tf.keras.layers.Conv2D( f

手寫字型識別 --MNIST資料集

Matlab 手寫字型識別 忙過這段時間後，對於上次讀取的Matlab內部資料實現的識別，我回味了一番，覺得那個實在太小。所以打算把資料換成[MNIST資料集][1]。 基礎思想還是相同的，使用TreeBagger（隨機森林）的演算法來訓練樣本，從而實現學習

利用python對mnist資料集中的0，1手寫字型進行二分類

1. 下載程式碼，通過點選連結（http://yann.lecun.com/exdb/mnist/），開啟頁面如下圖所示，下載對應MNIST手寫數字識別資料集，包括訓練集影象、訓練集標籤、測試集影象與測試集標籤四個部分。下載保存於指定位置。 2.分析資料集，進行預處

tensorflow 1.01中GAN(生成對抗網路)手寫字型生成例子(MINST)的測試

為了更好地掌握GAN的例子，從網上找了段程式碼進行跑了下，測試了效果。具體過程如下： 程式碼檔案如下： import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data i

matlab練習程序（神經網絡識別mnist手寫數據集）

sum else ref rate 標準 個數 權重矩陣 ros learn 記得上次練習了神經網絡分類，不過當時應該有些地方寫的還是不對。 這次用神經網絡識別mnist手寫數據集，主要參考了深度學習工具包的一些代碼。 mnist數據集訓練數據一共有28*28*6000

深度學習筆記2（手寫字型）

  1、下載手寫字型 網址【1】 2、下載程式碼 網址【2】   3、執行程式碼 直接執行就可以了   參考網址： 【1】MNIST資料集官方網址為：http://yann.lecun.com/exdb/mnist/&nbs

令人耳目一新的20款英文手寫字型

如果你正在尋找有趣的英文，那你找對地方了。本文與大家分享一下，點選圖片即可下載。 1、英文Bobsmade手寫字型_TTF格式大小：581 KB下載地址：http://www.177347.com/view-98-51-0.html 2、英文精美的手繪字型包_TTF,OTF格式大小：366 KB下

全連接神經網絡實現識別手寫數據集MNIST

網絡 set com 系統開發 進制 識別 二進制 下載 style 全連接神經網絡實現識別手寫數據集MNIST MNIST是一個由美國由美國郵政系統開發的手寫數字識別數據集。手寫內容是0~9，一共有60000個圖片樣本，我們可以到MNIST官網免費下載。總共4個文件，該

用SVM（有核和無核函式）進行MNIST手寫字型的分類

1.普通SVM分類MNIST資料集 1 #匯入必備的包 2 import numpy as np 3 import struct 4 import matplotlib.pyplot as plt 5 import os 6 ##載入svm模型 7 from sklearn import

利用 sklearn SVM 分類器對 IRIS 資料集分類

利用 sklearn SVM 分類器對 IRIS 資料集分類 支援向量機（SVM）是一種最大化分類間隔的線性分類器（如果不考慮核函式）。通過使用核函式可以用於非線性分類。SVM 是一種判別模型，既適用於分類也適用於迴歸問題，標準的 SVM 是二分類器，可以採用 “one vs one”