這裡用python實現了對mnist手寫數字識別圖片的讀取
函式read_data_sets的輸入是mnist中那四份檔案所在的目錄名，輸出是如下資料結構：

{
	'test': {
		'images': [[...],[...]...],  # numpy陣列，其大小為[10000, 784]，每一行即對應一張圖片
		'labels': [...]  # numpy陣列，若引數one-hot為True，則大小為[10000,10]，否則為[10000,]
	},
	'train': {
		'images': [[...],[...],...],  # numpy陣列，其大小為[60000, 784]
		'labels'
 
: [...]  # numpy陣列，若引數one-hot為True，則大小為[60000,10]，否則為[60000,]
	},
	'img_shape': (img_h,img_w,img_c)  # 表示影象的大小，依次含義為“高"、“寬”、“通道”。在mnist中，實質為(28,28,1)
}

函式引數含義：

• dir: mnist的四個資料檔案所在的檔案目錄名
• one_hot: 若為True，則其標籤是 one-hot 編碼，否則就是其對應的數字

注意，這裡對images進行了歸一化和 flatten 處理，若要顯示影象，應先將之線性縮放到區間[0,255]，同還原圖片的大小。具體可參考程式碼裡的 if main

# -*- coding: utf-8 -*-
import numpy as np
import struct
import os
from collections import defaultdict

def read_data_sets(dir, one_hot=True):
	files = {
		'test': ['t10k-images.idx3-ubyte', 't10k-labels.idx1-ubyte'],
		'train': ['train-images.idx3-ubyte', 'train-labels.idx1-ubyte']
	}
	data_set = defaultdict(
 
dict)
	for key,value in files.items():
		for i,fn in enumerate(value):
			file = open(os.path.join(dir, fn), 'rb')
			f = file.read()
			file.close()
			if not i:
				img_index = struct.calcsize('>IIII')
				_,size,row,column = struct.unpack('>IIII', f[:img_index])
				imgs = struct.unpack_from(str(size*row*column) + 'B', f, img_index)
				data_set['img_shape'] = (row, column, 1)
				imgs = np.reshape(imgs, (size, row*column)).astype(np.float32)
				imgs = (imgs - np.min(imgs)) / (np.max(imgs) - np.min(imgs))
				data_set[key]['images'] = imgs
			else:
				label_index = struct.calcsize('>II')
				_,size = struct.unpack('>II', f[:label_index])
				labels = struct.unpack_from(str(size) + 'B', f, label_index)
				labels = np.reshape(labels, (size,))
				if one_hot:
					tmp = np.zeros((size, np.max(labels)+1))
					tmp[np.arange(size),labels] = 1
					labels = tmp
				data_set[key]['labels'] = labels
	return data_set

if __name__ == '__main__':
	import matplotlib.pyplot as plt
	data_set = read_data_sets('data')
	imgs = data_set['train']['images'] * 255
	labels = data_set['train']['labels']
	img_shape = data_set['img_shape'] * 255
	# print(imgs[0])
	plt.figure()
	plt.subplot(221); plt.imshow(imgs[0].reshape(img_shape[:2])); print(np.argmax(labels[0]))
	plt.subplot(222); plt.imshow(imgs[10].reshape(img_shape[:2])); print(np.argmax(labels[10]))
	plt.subplot(223); plt.imshow(imgs[100].reshape(img_shape[:2])); print(np.argmax(labels[100]))
	plt.subplot(224); plt.imshow(imgs[1000].reshape(img_shape[:2])); print(np.argmax(labels[1000]))
	plt.show()