python 将Mnist数据集转为jpg，并按比例/标签拆分为多个子数据集
现有条件：Mnist数据集，下载地址：跳转 下载后的四个.gz文件解压后放到同一个文件夹下，如：/raw
Step 1：将Mnist数据集转为jpg图片(代码来自这篇博客)
1 import os
2 from skimage import io
3 import torchvision.datasets.mnist as mnist
4
5 root='./raw'
6 train_set = (
7 mnist.read_image_file(os.path.join(root, 'train-images.idx3-ubyte')),
8 mnist.read_label_file(os.path.join(root, 'train-labels.idx1-ubyte'))
9 )
10 test_set = (
11 mnist.read_image_file(os.path.join(root, 't10k-images.idx3-ubyte')),
12 mnist.read_label_file(os.path.join(root, 't10k-labels.idx1-ubyte'))
13 )
14 # print("training set :",train_set[0].size())
15 # print("test set :",test_set[0].size())
16
17 def convert_to_img(train=True):
18 if(train):
19 f=open(root+'train.txt','w')
20 data_path=root+'/train/'
21 if(not os.path.exists(data_path)):
22 os.makedirs(data_path)
23 for i, (img,label) in enumerate(zip(train_set[0],train_set[1])):
24 img_path=data_path+str(i)+'.jpg'
25 # io.imsave(img_path,img.numpy())
26 f.write(img_path+' '+str(label)+'\n')
27 f.close()
28 else:
29 f = open(root + 'test.txt', 'w')
30 data_path = root + '/test/'
31 if (not os.path.exists(data_path)):
32 os.makedirs(data_path)
33 for i, (img,label) in enumerate(zip(test_set[0],test_set[1])):
34 img_path = data_path+ str(i) + '.jpg'
35 # io.imsave(img_path, img.numpy())
36 f.write(img_path + ' ' + str(label) + '\n')
37 f.close()
38
39 convert_to_img(True)#转换训练集
40 convert_to_img(False)#转换测试集
此时，转换后的jpg存储格式如下：
test和train中的图片全是未按标签分类的混合jpg图片
Step 1.1: 将数据根据txt文件按label分类
在train和test文件夹下分别手动创建10个文件夹，命名从0-9，如新建一个文件夹，文件夹名字为6
代码实现过程中由于有些需要重复操作，为了便于直接使用 我下面直接按使用步骤全部贴出（可能重复代码有点多，看懂后你可以直接修改
1 # 1.1.1 将train文件中的tensor(换为=
2 fileName = 'rawtrain.txt'
3 f = open(fileName,'w')
4 lines = f.readlines()
5
6 for line in lines:
7 f.write(line.replace("tensor(","="))
8 f.close()
9 # 1.1.2 将train文件中的）去掉，不能同时执行tensor(和）的操作，必须顺序执行
10 fileName = 'rawtrain.txt'
11 f = open(fileName,'w')
12 lines = f.readlines()
13
14 for line in lines:
15 f.write(line.replace(")", ""))
16 f.close()
17
18 # 1.1.3 将上述的文件名换为'rawtest.txt' 重复执行
19
20 # 1.1.4 按rawtrain.txt文件将图片移动至对对应标签的文件夹下
21 fileName = 'rawtrain.txt'
22 f = open(fileName,'r')
23 lines = f.readlines()
24 label = [-1]
25 f = open(fileName,'w')
26
27 for line in lines:
28 splitL = line.split('=')
29 labelnum = int(splitL[1])
30 label.append(labelnum)
31 f.close()
32 del label[0]
33 # 此时label存储图片标签
34
35 # 读取图片并移动
36 root = './raw/train'
37 i = 0
38 lens = len(os.listdir(root))
39 while(lens > 10):
40 img_path = os.path.join(root, str(i)+'.jpg')
41 img_label = label[i]
42 img_new_path = os.path.join(root, str(img_label), str(i)+'.jpg')
43 shutil.move(img_path, img_new_path)
44 i += 1
45 lens = len(os.listdir(root))
46
47
48 # 1.1.5 按rawtest.txt文件将图片移动至对对应标签的文件夹下
49 fileName = 'rawtest.txt'
50 f = open(fileName,'r')
51 lines = f.readlines()
52 label = [-1]
53 f = open(fileName,'w')
54
55 for line in lines:
56 # f.write(line.replace("tensor(","="))
57 # f.write(line.replace(")", ""))
58 splitL = line.split('=')
59 labelnum = int(splitL[1])
60 label.append(labelnum)
61 f.close()
62 del label[0]
63 # 此时label存储图片标签
64
65 # 读取图片
66 root = './raw/test'
67 i = 0
68 lens = len(os.listdir(root))
69 while(lens > 10):
70 img_path = os.path.join(root, str(i)+'.jpg')
71 img_label = label[i]
72 img_new_path = os.path.join(root, str(img_label), str(i)+'.jpg')
73 shutil.move(img_path, img_new_path)
74 i += 1
75 lens = len(os.listdir(root))
Step 2: 将raw下的jpg图片随机分为10个数据集，每个数据集中的图片数相同(包括train and test)，并且每个数据集下的图片按标签分类
分类后的结构如下图：
代码实现：
Step 2.1：新建所需要的所有文件夹
1 root = './newDataSet/'
2 for labelname in range(10):
3 # domain
4 domain_path = os.path.join(root, "domain"+str(labelname))
5 # train / test
6 for use2 in range(2):
7 useName = ''
8 if use2 == 0:
9 useName = 'train'
10 else:
11 useName = 'test'
12 use_path = os.path.join(domain_path, useName)
13 # label
14 for i in range(10):
15 label_path = os.path.join(use_path, str(i))
16 if os.path.exists(label_path) != True:
17 try:
18 os.mkdir(label_path) # 创建单层文件夹
19 except Exception as e:
20 os.makedirs(label_path) # 创建多层文件夹
Step 2.2: 将raw下的数据按一定比例复制到新的文件夹下(我的代码下不同子数据集的训练数据是来自train的每个标签200张-无交叉，test每个标签50张)
1 num = 0
2 d_num = 0
3 src_root = './raw/train'
4 # src_root = './raw/test' # 先执行train 执行结束后再注释掉train 执行test图片复制
5 dst_root = './newDataSet/'
6 aims = 'train'
7 # aims = 'test'
8 for label in os.listdir(src_root): # 0
9 label_path = os.path.join(src_root, label)
10 for img in os.listdir(label_path): # 1.jpg
11 img_path = os.path.join(label_path, str(img))
12 img_new_path = os.path.join(dst_root, "domain"+str(d_num), aims, str(label), str(img))
13 shutil.copyfile(img_path, img_new_path)
14 num += 1
15 if num == 200:
16 # if num == 50: # for test
17 d_num += 1
18 num = 0
19 if d_num == 10:
20 d_num = 0
21 break
Step 3: 将raw下的jpg图片分为10个数据集，每个数据集中的图片数相同(包括train and test)，并且每个数据集下的图片仅包含一个标签的图片，虽然文件夹结构和第2步相同，但是，如/domain 8/train/1路径下无图片，仅/domain 8/train/8下有数字8的图片，而domain0也仅是Label为0的文件夹下有数字为0的图片
Step 3.1：新建所需的所有文件夹，代码参考Step 2.1 只是需要将root名称换一个
Step 3.2: 将raw下数据按标签和一定比例复制到新的文件夹下。
1 num = 0
2 # src_root = './raw/test'
3 src_root = './raw/train' # 对train文件操作后需要对test文件执行相同的操作
4 dst_root = './newDatSet1/'
5 aims = 'train'
6 # aims = 'test'
7 for label in os.listdir(src_root): # 0
8 label_path = os.path.join(src_root, label)
9 for img in os.listdir(label_path): # 1.jpg
10 img_path = os.path.join(label_path, str(img))
11 img_new_path = os.path.join(dst_root, "domain" + str(label), aims, str(label), str(img))
12 shutil.copyfile(img_path, img_new_path)
13 num += 1
14 if num == 2000: # train数据为2k,测试数据为500，全部为一个Label的数据
15 # if num == 500:
16 num = 0
17 break
至此 两个需要的新的拆分格式的数据集创建完毕。所有代码已经测试，均正常运行。
后续：我的方法好像有点繁琐了...参考这篇tensorflow的博客好像更简单。。。
