MNIST 数据集是机器学习领域非常著名的图像数据集，包含了手写数字的灰度图像。本站提供 MNIST 数据集的镜像服务，方便用户快速访问和下载。

数据集概述

  • 数据量：包含 60,000 个训练样本和 10,000 个测试样本。
  • 图像尺寸：每张图像大小为 28x28 像素。
  • 标签：每个图像对应一个数字标签，从 0 到 9。

下载方式

您可以通过以下链接下载 MNIST 数据集：

下载 MNIST 数据集

使用示例

以下是一个简单的使用 MNIST 数据集进行图像分类的 Python 代码示例：

import tensorflow as tf
from tensorflow.keras import layers, models

# 加载 MNIST 数据集
mnist = tf.keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 归一化像素值
train_images = train_images / 255.0
test_images = test_images / 255.0

# 构建模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

# 添加全连接层
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(train_images, train_labels, epochs=5, batch_size=64)

# 评估模型
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

图片示例

MNIST 图像示例

更多关于 MNIST 数据集的信息，您可以访问 MNIST 官方网站。