MNIST 是一个经典的手写数字数据集，常用于机器学习入门。预处理是模型训练前的关键步骤，以下为常见处理方法：

1. 数据加载 📁

  • 使用 torchvision 或 keras.datasets 加载原始数据
  • 数据格式：torch.Tensor 或 numpy.ndarray
  • 示例代码：
import torchvision.datasets as dsets
mnist = dsets.MNIST(root='./data', train=True, transform=ToTensor())

2. 图像归一化 📈

  • 将像素值从 [0,255] 转换为 [0,1] 范围
  • 添加标准化处理（均值[0.1307]，标准差[0.3081]）
  • 代码示例：
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

3. 数据增强 🔄

  • 旋转（transforms.RandomRotation(10)）
  • 平移（transforms.RandomAffine(0, translate=(0.2, 0.2))）
  • 噪声添加（transforms.RandomNoise(p=0.1)）

4. 数据分割 📁

  • 训练集 / 验证集 / 测试集比例：70%/10%/20%
  • 使用 random_split 实现分层抽样

MNIST data集 预处理流程图

扩展阅读 🔍

点击了解 MNIST 数据集的详细结构
查看完整预处理代码示例

数据增强 图像旋转示意图

预处理质量直接影响模型性能，建议结合数据可视化进行效果验证 📊