如何在TensorFlow中用自定义MNIST格式数据集替换默认MNIST数据集

直接修改你的load_data函数，替换MNIST加载逻辑为自定义npy文件读取，同时保持和原代码一致的数据预处理流程，确保GAN训练的输入分布匹配：

import numpy as np
import tensorflow as tf

def load_data():
    # 加载自定义数据集文件
    x_custom = np.load('digits_x_test.npy')
    
    # 调整形状为DCGAN需要的格式：(样本数, 28, 28, 1)
    # 如果你的npy已经是(样本数,28,28)，这一步可以保留；如果是(样本数,784)，改成reshape(-1,28,28,1)
    x_custom = x_custom.reshape(x_custom.shape[0], 28, 28, 1).astype('float32')
    
    # 和原MNIST处理一致的归一化：将0-255像素值映射到[-1,1]区间
    x_custom = (x_custom - 127.5) / 127.5
    
    return x_custom

关键注意事项： #

• 确认digits_x_test.npy的路径正确：如果文件不在脚本运行目录，要写完整绝对路径（比如/home/user/datasets/digits_x_test.npy）
• 检查数据集形状：自定义数据必须和MNIST结构匹配，即单通道28x28图像，若你的数据是扁平化的784维向量，需要调整reshape参数为(-1,28,28,1)
• 像素值范围适配：如果你的自定义数据集像素值已经是[0,1]区间，把归一化代码改成x_custom = (x_custom * 2) - 1，保证输入分布和原MNIST一致
• 样本数量：GAN训练需要足够的样本量，如果你的digits_x_test.npy样本数太少（比如只有几百个），训练可能会不稳定，建议使用更大的训练集而非测试集

替换完成后，直接在GAN代码中调用这个load_data函数获取训练数据即可，无需修改其他训练逻辑。

内容的提问来源于stack exchange，提问作者Asher Coates