### 获取MNIST数据集的其他方法 除了使用PyTorch提供的工具外，还可以通过多种方式获取MNIST数据集。以下是一些常见的方法： #### 1. 使用官方提供的二进制文件 MNIST数据集以二进制格式存储在四个文件中[^3]： - `train-images-idx3-ubyte`：训练图像。 - `train-labels-idx1-ubyte`：训练标签。 - `t10k-images-idx3-ubyte`：测试图像。 - `t10k-labels-idx1-ubyte`：测试标签。 可以通过编写代码解析这些文件来加载数据集。以下是一个Python示例，展示如何读取这些文件并将其转换为NumPy数组： ```python import os import struct import numpy as np def load_mnist(path, kind='train'): """Load MNIST data from `path`.""" labels_path = os.path.join(path, f'{kind}-labels-idx1-ubyte') images_path = os.path.join(path, f'{kind}-images-idx3-ubyte') with open(labels_path, 'rb') as lbpath: magic, n = struct.unpack('>II', lbpath.read(8)) labels = np.frombuffer(lbpath.read(), dtype=np.uint8) with open(images_path, 'rb') as imgpath: magic, num, rows, cols = struct.unpack('>IIII', imgpath.read(16)) images = np.frombuffer(imgpath.read(), dtype=np.uint8).reshape(len(labels), 784) return images, labels # 示例调用 images, labels = load_mnist('mnist_data', kind='train') print(images.shape) # 输出 (60000, 784) print(labels.shape) # 输出 (60000,) ``` 此代码片段展示了如何从本地路径加载MNIST数据集，并将其转换为NumPy数组[^3]。 #### 2. 使用TensorFlow或Keras 虽然问题要求不使用PyTorch，但可以考虑使用TensorFlow或Keras加载MNIST数据集。以下是使用Keras加载数据集的示例： ```python from tensorflow.keras.datasets import mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data() print(train_images.shape) # 输出 (60000, 28, 28) print(test_images.shape) # 输出 (10000, 28, 28) ``` 这种方法简单易用，适合快速实验[^4]。 #### 3. 使用scikit-learn scikit-learn库也提供了MNIST数据集的加载功能。虽然其内置的数据集较小，但仍然可以用于初步实验： ```python from sklearn.datasets import fetch_openml X, y = fetch_openml('mnist_784', version=1, return_X_y=True) print(X.shape) # 输出 (70000, 784) print(y.shape) # 输出 (70000,) ``` 此方法通过OpenML平台下载完整的MNIST数据集[^5]。 --- ###