### 如何在Jupyter Notebook中使用Python调用MNIST数据集 要在Jupyter Notebook中成功加载和处理MNIST数据集，可以采用多种方法。以下是基于TensorFlow/Keras以及PyTorch两种主流框架的具体实现方式。 #### 方法一：通过 TensorFlow/Keras 调用 MNIST 数据集 TensorFlow 提供了内置函数来轻松获取 MNIST 数据集： ```python import tensorflow as tf # 加载 MNIST 数据集 (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() # 归一化图像像素到 [0, 1] 范围 x_train = x_train / 255.0 x_test = x_test / 255.0 print(f"训练样本数量: {len(x_train)}") print(f"测试样本数量: {len(x_test)}") ``` 这种方法简单高效，适合初学者快速上手[^4]。 #### 方法二：通过 PyTorch 调用 MNIST 数据集 对于更灵活的数据预处理需求，推荐使用 PyTorch 的 `torchvision` 库： ```python from torchvision import datasets, transforms from torch.utils.data import DataLoader # 定义数据转换操作 transform = transforms.Compose([ transforms.ToTensor(), # 将 PIL 图像转为张量 transforms.Normalize((0.5,), (0.5,)) # 正则化 ]) # 下载并加载 MNIST 训练/测试数据集 train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform) # 创建数据加载器 batch_size = 64 train_loader = DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) test_loader = DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False) for images, labels in train_loader: break # 打印第一个批次的内容 print(images.shape) # 输出形状应为 [batch_size, channels, height, width] ``` 此代码片段展示了如何利用 PyTorch 中的 `DataLoader` 来批量读取和正则化 MNIST 数据集[^3]。 --- ### 注意事项 - 如果遇到权限错误或者路径问题，请确认运行环境具有访问互联网的能力以便下载数据。 - 对于 GPU 支持的情况，在安装依赖项时需额外注意 CUDA 版本兼容性[^4]。 ---