本文主要向大家介绍了机器学习入门之机器学习初探（手写数字识别）matlab读取数据集，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

手写数字识别是机器学习里面的一个经典问题，今天就这一段时间学习的机器学习，花一个下午茶的时间，试试机器学习。
首先数据库是在MNIST（//yann.lecun.com/exdb/mnist/）下载下来的。下载下来的数据如下图所示。官方有给出数据怎么读取，我自己没有仔细看，因为我看到网上有人公布代码如何读取。
可以看到前四个是测试数据，后四个是训练数据。

这里我用matlab尝试读取这些数据。
首先看两个function。
loadMNISTImages.m

function images = loadMNISTImages(filename)
%loadMNISTImages returns a 28x28x[number of MNIST images] matrix containing
%the raw MNIST images

fp = fopen(filename, ‘rb‘);
assert(fp ~= -1, [‘Could not open ‘, filename, ‘‘]);

magic = fread(fp, 1, ‘int32‘, 0, ‘ieee-be‘);
assert(magic == 2051, [‘Bad magic number in ‘, filename, ‘‘]);

numImages = fread(fp, 1, ‘int32‘, 0, ‘ieee-be‘);
numRows = fread(fp, 1, ‘int32‘, 0, ‘ieee-be‘);
numCols = fread(fp, 1, ‘int32‘, 0, ‘ieee-be‘);

images = fread(fp, inf, ‘unsigned char‘);
images = reshape(images, numCols, numRows, numImages);
images = permute(images,[2 1 3]);

fclose(fp);

% Reshape to #pixels x #examples
images = reshape(images, size(images, 1) * size(images, 2), size(images, 3));
% Convert to double and rescale to [0,1]
images = double(images) / 255;

end

loadMNISTLabels.m

function labels = loadMNISTLabels(filename)
%loadMNISTLabels returns a [number of MNIST images]x1 matrix containing
%the labels for the MNIST images

fp = fopen(filename, ‘rb‘);
assert(fp ~= -1, [‘Could not open ‘, filename, ‘‘]);

magic = fread(fp, 1, ‘int32‘, 0, ‘ieee-be‘);
assert(magic == 2049, [‘Bad magic number in ‘, filename, ‘‘]);

numLabels = fread(fp, 1, ‘int32‘, 0, ‘ieee-be‘);

labels = fread(fp, inf, ‘unsigned char‘);

assert(size(labels,1) == numLabels, ‘Mismatch in label count‘);

fclose(fp);

end

这两个函数就可以读取相应的数据。

这个函数返回的训练数据集是784*60000的矩阵，这个可以看到是每一列是一个图片，总共是60000列，这些总共有10个数字，从0到9。也就是说每个数字在6000个左右。我们先取出来第一列看看。

可以看到C是一个取出来的一个28*28的矩阵，就是一个图片。
 矩阵打印出来如下：
可以看到应该是一个数字5。这里的0在图片里就是黑色，有数字的就是白色，看到都是小数，所以应该是标准化之后的，我们把矩阵乘以255后打印出来：

可以看到打印出来就是这个样子。应该是个数字5。下面看读取label。

看第一个数字是：

可以看到label是对应60000个数字，每个数字对应的数字大概在6000个，我打印出来每个数字的个数：
代码：

结果：

LA0里的每个数字都是LA中数字为0的下标。
 

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！