第254章 数据解析和FCN的拓扑结构（1/2）

随后，江寒cāo)作着电脑，心无旁骛，很快就进入了状态。

夏雨菲也不再来打扰他，拿着手机，半躺在上，自己上网、听歌。

江寒将高老师发送来的和下载下来，连同夏雨菲下载的前11个文件，放在了同一个文件夹中。

然后在第1个文件上点击鼠标右键，选择用winrar解压缩，很快就得到了数据包。

一共两个文件，n-labels-idx1-ubyte。

-ubyte都是自定义的文件格式，官网上就有格式说明。

train-images文件大小超过1g，保存了20万张手写数字的图片信息。

而train-labels中则存储了20万个标签数据，与train-images一一对应。

和公开版本的mnist不同，用于比赛的这个手写数字数据集，数据量要大出好几倍。

kaggle官方将数据集分为两部分，训练集train向参赛选手公开，而测试集test则内部保存。

比赛的形式很简单，大家根据公开的训练集，编写自己的程序，提交给主办方。

主办方用不公开的测试集数据，对这些程序逐一进行测试，然后比较它们在测试集上的表现。

主要指标是识别率，次要指标是识别速度等。

这是“人工神经网络”在这类竞技场上的初次亮相，江寒可不想铩羽而归。

事实上，如果想追求更好的成绩，最好的办法，就是弄出卷积神经网络来。

那玩意是图像识别算法的大杀器。

在“机器学习”这个江湖中，cnn的威力和地位，就相当于武侠世界中的倚天剑、屠龙刀。

cnn一出，谁与争锋！

只可惜，这个东西江寒现在还没研究出来。

现上轿现扎耳朵眼，也来不及了。

再说，饭要一口口吃，搞研究也得一步步来。

跨度不能太大喽，免得扯到蛋……

所以在这次比赛中，江寒最多只能祭出“带隐藏层的全连接神经网络”。

有了这个限制，就好比戴着镣铐跳舞，给比赛平添了不少难度和变数。

那些发展了几十年的优秀算法，也不见得会输普通的fcn多少。

所以，现在妄言冠军十拿九稳，还有点为时过早。

不过，有挑战才更有趣味嘛，稳赢的战斗打起来有什么意思呢？

江寒根据官网上找到的数据格式说明文档，编写了一个文件解析函数，用来从两个train文件中提取数据。

train-images-idx3-ubyte的格式简单的，从文件头部连续读取4个32位整形数据，就能得到4个参数。

用来标识文件类型的魔数m、图片数量n、每张图片的高度h和宽度w。

从偏移0016开始，保存的都是图片的像素数据。

颜色深度是8位，取值范围0～255，代表着256级灰度信息，每个像素用一个字节来保存。

然后，从文件头中可以得知，每张图片的分辨率都是。

这样每张图片就需要784个字节来存储。

很容易就能计算出每张图片的起始地址，从而实现随机读取。

如果连续读取，那就更简单了，只需要每次读取784个字节，一共读取n次，就能恰好读取完整个文件。

需要注意的是，图像数据的像素值，在文件中存储类型为unsignedchar型，对应的format格式为b。

所以在python程序中，在这个参数的后面，还要加上b参数，这样才能读取一整张图片的全部像素。

如果忘了加b，则只能读取一个像素……

train-labels-idx1-ubyte格式更加简单。

前8个字节是两个32位整形，分别保存了魔数和图片数量，从偏移0009开始，就是unsignedbyte类型的标签数据了。

每个字节保存一张图片的标签，取值范围0～9。

江寒很快就将标签数据也解析了出来。

接下来，用matplot的绘图功能，将读取出来的手写数字图片，绘制到屏幕上。

然后再将对应的标签数据，也打印到输出窗口，两者一比较，就能很轻松地检验解析函数是否有问题。

将解析函数调试通过后，就可以继续往下进行了。

首先要将图片的像素信息压缩一下，二值化或者归一化，以提高运算速度，节省存贮空间。