MNIST 数据集在边缘 AI 中的手写数字识别应用

数据集划分

样本数量

图像规格

标签规格

用途

训练集

60,000 张

28×28 像素

0-9 整数

模型训练/边缘自学习微调

测试集

10,000 张

28×28 像素

0-9 整数

验证模型泛化能力

Python
import numpy as np
from tensorflow import keras

# ====================== 核心加载代码 ======================
# 第一次运行会自动下载（约11MB），后续从本地缓存加载（路径：~/.keras/datasets/）
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# ====================== 查看数据基本信息 ======================
print("【训练集图像】形状：", x_train.shape) # (60000, 28, 28)：6万张28×28灰度图
print("【训练集标签】形状：", y_train.shape) # (60000,)：6万个标签（0-9整数）
print("【测试集图像】形状：", x_test.shape) # (10000, 28, 28)
print("【测试集标签】形状：", y_test.shape) # (10000,)
print("【像素值范围】：", x_train.min(), "~", x_train.max()) # 0 ~ 255
print("【标签示例】：", y_train[:5]) # [5 0 4 1 9]（前5张图像的数字）

Python
import torch
from torchvision import datasets, transforms

# 定义预处理（先转张量，再归一化）
transform = transforms.Compose([
transforms.ToTensor(), # 转张量，像素值自动归一化到 [0,1]
transforms.Normalize((0.1307,), (0.3081,)) # MNIST 官方均值/方差，加速收敛
])

# 加载数据集（root为本地保存路径，train=True为训练集，False为测试集）
train_dataset = datasets.MNIST(
root="./data", # 本地保存路径
train=True,
download=True, # 不存在则自动下载
transform=transform
)
test_dataset = datasets.MNIST(
root="./data",
train=False,
download=True,
transform=transform
)

# 转为数据加载器（适配批量训练）
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=8, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=8, shuffle=False)

# 查看数据信息
print("【训练集样本数】：", len(train_dataset)) # 60000
print("【测试集样本数】：", len(test_dataset)) # 10000
# 取一个批次数据
images, labels = next(iter(train_loader))
print("【批次图像形状】：", images.shape) # (8, 1, 28, 28)：8张×1通道×28×28
print("【批次标签形状】：", labels.shape) # (8,)

Python
import numpy as np
import struct

# 解析图像文件（.idx3-ubyte）
def load_mnist_images(path):
with open(path, 'rb') as f:
# 读取文件头：魔数(4字节)、样本数(4字节)、行数(4字节)、列数(4字节)
magic, num, rows, cols = struct.unpack('>IIII', f.read(16))
# 读取图像数据，转为numpy数组（uint8）
images = np.fromfile(f, dtype=np.uint8).reshape(num, rows, cols)
return images

# 解析标签文件（.idx1-ubyte）
def load_mnist_labels(path):
with open(path, 'rb') as f:
# 读取文件头：魔数(4字节)、样本数(4字节)
magic, num = struct.unpack('>II', f.read(8))
# 读取标签数据，转为numpy数组
labels = np.fromfile(f, dtype=np.uint8)
return labels

# 加载（需手动下载文件到指定路径）
x_train = load_mnist_images("./train-images-idx3-ubyte")
y_train = load_mnist_labels("./train-labels-idx1-ubyte")
print("手动加载的训练集形状：", x_train.shape) # (60000, 28, 28)

Python
x_train = x_train.astype("float32") / 255.0 # 转为32位浮点，适配边缘NPU
x_test = x_test.astype("float32") / 255.0

Python
# TensorFlow 维度扩展（添加通道维度，位置=-1）
x_train = np.expand_dims(x_train, axis=-1) # 从(60000,28,28) → (60000,28,28,1)
x_test = np.expand_dims(x_test, axis=-1)

Python
# one-hot 编码（可选）
y_train_onehot = keras.utils.to_categorical(y_train, num_classes=10)
y_test_onehot = keras.utils.to_categorical(y_test, num_classes=10)