加载EMNIST字母数据集

Question

我一直试图找到一种方法来加载EMNIST字母数据集，但没有取得多大成功。我在结构中找到了有趣的东西，无法围绕正在发生的事情。这就是我的意思：

我下载了.mat格式的in here

我可以使用加载数据

import scipy.io
mat = scipy.io.loadmat('letter_data.mat') # renamed for conveniance

它是一个字典，键如下：

dict_keys(['__header__', '__version__', '__globals__', 'dataset'])

唯一感兴趣的关键是数据集，我无法从中收集数据。打印它的形状给出：

>>>print(mat['dataset'].shape)
(1, 1)

我越来越深地挖掘出一个看起来有点像真实数据集的形状，并且遇到了这个：

>>>print(mat['dataset'][0][0][0][0][0][0].shape)
(124800, 784)

这正是我想要的但我无法找到标签和测试数据，我尝试了很多东西，但似乎无法理解这个数据集的结构。

如果有人能告诉我这是怎么回事，我会很感激

Answer 1

由于数据集的结构方式，可以使用mat['dataset'][0][0][0][0][0][0]和带有mat['dataset'][0][0][0][0][0][1]的标签数组数组访问图像数组。例如，print(mat['dataset'][0][0][0][0][0][0][0])将打印出第一张图像的像素值，而print(mat['dataset'][0][0][0][0][0][1][0])将打印第一张图像的标签。

对于较少...复杂的数据集，我实际上建议在Kaggle上使用GPNIST数据集的CSV版本：https://www.kaggle.com/crawford/emnist，其中每行是一个单独的图像，有785列，其中第一列= class_label，每列后面代表一个像素值（28 x 28图像总共784个）。

Answer 2

@Josh Payne的答案是正确的，但我会为那些想要使用.mat文件并强调典型数据拆分的人扩展它。

数据本身已经分成训练和测试集。这是我访问数据的方式：

    from scipy import io as sio
    mat = sio.loadmat('emnist-letters.mat')
    data = mat['dataset']

    X_train = data['train'][0,0]['images'][0,0]
    y_train = data['train'][0,0]['labels'][0,0]
    X_test = data['test'][0,0]['images'][0,0]
    y_train = data['test'][0,0]['labels'][0,0]

有一个额外的字段'作者'（例如data['train'][0,0]['writers'][0,0]）区分原始样本编写者。最后，还有另一个字段data['mapping']，但我不确定是什么映射数字。

此外，在Secion II D中，EMNIST paper声明“训练集的最后一部分，与测试集相同，被留作验证集”。奇怪的是，.mat文件训练/测试大小与表II中列出的数字不匹配，但它确实与图2中的大小相匹配。

    val_start = X_train.shape[0] - X_test.shape[0]
    X_val = X_train[val_start:X_train.shape[0],:]
    y_val = y_train[val_start:X_train.shape[0]]
    X_train = X_train[0:val_start,:]
    y_train = y_train[0:val_start]

如果您不想要验证集，可以将这些样本留在训练集中。

此外，如果您想将数据重新整形为2D，28x28大小的图像而不是1D 784阵列，为了获得正确的图像方向，您需要使用Fortran排序进行numpy重塑（Matlab使用列主要排序，只需像Fortran.reference）。例如 -

    X_train = X_train.reshape( (X_train.shape[0], 28, 28), order='F')

Answer 3

我建议下载'二进制格式为original MNIST dataset'。

解压缩下载的文件，然后使用Python解压缩：

import idx2numpy

X_train = idx2numpy.convert_from_file('./emnist-letters-train-images-idx3-ubyte')
y_train = idx2numpy.convert_from_file('./emnist-letters-train-labels-idx1-ubyte')

X_test = idx2numpy.convert_from_file('./emnist-letters-test-images-idx3-ubyte')
y_test = idx2numpy.convert_from_file('./emnist-letters-test-labels-idx1-ubyte')