在TensorFlow的官方入門課程中，多次用到mnist數(shù)據(jù)集。

mnist數(shù)據(jù)集是一個數(shù)字手寫體圖片庫，但它的存儲格式并非常見的圖片格式，所有的圖片都集中保存在四個擴展名為idx3-ubyte的二進制文件。

如果我們想要知道大名鼎鼎的mnist手寫體數(shù)字都長什么樣子，就需要從mnist數(shù)據(jù)集中導(dǎo)出手寫體數(shù)字圖片。了解這些手寫體的總體形狀，也有助于加深我們對TensorFlow入門課程的理解。

下面先給出通過TensorFlow api接口導(dǎo)出mnist手寫體數(shù)字圖片的python代碼，再對代碼進行分析。代碼在win7下測試通過，linux環(huán)境也可以參考本處代碼。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import os
from PIL import Image

# 聲明圖片寬高
rows = 28
cols = 28

# 要提取的圖片數(shù)量
images_to_extract = 8000

# 當(dāng)前路徑下的保存目錄
save_dir = "./mnist_digits_images"

# 讀入mnist數(shù)據(jù)
mnist = input_data.read_data_sets("C:\\Users\\Administrator\\Desktop\\Tensorflow\\數(shù)據(jù)集\\mnist\\", one_hot=False)

# 創(chuàng)建會話
sess = tf.Session()

# 獲取圖片總數(shù)
shape = sess.run(tf.shape(mnist.train.images))
images_count = shape[0]
pixels_per_image = shape[1]

# 獲取標(biāo)簽總數(shù)
shape = sess.run(tf.shape(mnist.train.labels))
labels_count = shape[0]

# mnist.train.labels是一個二維張量，為便于后續(xù)生成數(shù)字圖片目錄名，有必要一維化(后來發(fā)現(xiàn)只要把數(shù)據(jù)集的one_hot屬性設(shè)為False，mnist.train.labels本身就是一維)
# labels = sess.run(tf.argmax(mnist.train.labels, 1))
labels = mnist.train.labels

# 檢查數(shù)據(jù)集是否符合預(yù)期格式
if (images_count == labels_count) and (shape.size == 1):
    print("數(shù)據(jù)集總共包含 %s 張圖片，和 %s 個標(biāo)簽" % (images_count, labels_count))
    print("每張圖片包含 %s 個像素" % (pixels_per_image))
    print("數(shù)據(jù)類型：%s" % (mnist.train.images.dtype))

    # mnist圖像數(shù)據(jù)的數(shù)值范圍是[0,1]，需要擴展到[0,255]，以便于人眼觀看
    if mnist.train.images.dtype == "float32":
        print("準(zhǔn)備將數(shù)據(jù)類型從[0,1]轉(zhuǎn)為binary[0,255]...")
        for i in range(0, images_to_extract):
            for n in range(pixels_per_image):
                if mnist.train.images[i][n] != 0:
                    mnist.train.images[i][n] = 255
            # 由于數(shù)據(jù)集圖片數(shù)量龐大，轉(zhuǎn)換可能要花不少時間，有必要打印轉(zhuǎn)換進度
            if ((i   1) % 50) == 0:
                print("圖像浮點數(shù)值擴展進度：已轉(zhuǎn)換 %s 張，共需轉(zhuǎn)換 %s 張" % (i   1, images_to_extract))

    # 創(chuàng)建數(shù)字圖片的保存目錄
    for i in range(10):
        dir = "%s/%s/" % (save_dir, i)
        if not os.path.exists(dir):
            print("目錄 ""%s"" 不存在！自動創(chuàng)建該目錄..." % dir)
            os.makedirs(dir)

    # 通過python圖片處理庫，生成圖片
    indices = [0 for x in range(0, 10)]
    for i in range(0, images_to_extract):
        img = Image.new("L", (cols, rows))
        for m in range(rows):
            for n in range(cols):
                img.putpixel((n, m), int(mnist.train.images[i][n   m * cols]))
        # 根據(jù)圖片所代表的數(shù)字label生成對應(yīng)的保存路徑
        digit = labels[i]
        path = "%s/%s/%s.bmp" % (save_dir, labels[i], indices[digit])
        indices[digit]  = 1
        img.save(path)
        # 由于數(shù)據(jù)集圖片數(shù)量龐大，保存過程可能要花不少時間，有必要打印保存進度
        if ((i   1) % 50) == 0:
            print("圖片保存進度：已保存 %s 張，共需保存 %s 張" % (i   1, images_to_extract))
else:
    print("圖片數(shù)量和標(biāo)簽數(shù)量不一致！")

上述代碼的實現(xiàn)思路如下：

1.讀入mnist手寫體數(shù)據(jù)；

2.把數(shù)據(jù)的值從[0,1]浮點范圍轉(zhuǎn)化為黑白格式(背景為0-黑色，前景為255-白色)；

3.根據(jù)mnist.train.labels的內(nèi)容，生成數(shù)字索引，也就是建立每一張圖片和其所代表數(shù)字的關(guān)聯(lián)，由此創(chuàng)建對應(yīng)的保存目錄；

4.循環(huán)遍歷mnist.train.images，把每張圖片的像素數(shù)據(jù)賦值給python圖片處理庫PIL的Image類實例，再調(diào)用Image類的save方法把圖片保存在第3步驟中創(chuàng)建的對應(yīng)目錄。