如何在Keras中从目录导入手写数字数据集（含阿拉伯BMP格式）

没问题，这两个场景我都熟，下面给你一步步拆解解决方案：

Keras提供了ImageDataGenerator配合flow_from_directory方法，非常适合从结构化目录中导入图像数据集，尤其是类似MNIST这种按类别分文件夹的场景。

首先确保你的目录结构是这样的（训练集和测试集结构完全一致）：

train/
    0/
        img1.png
        img2.png
        ...
    1/
        img1.png
        img2.png
        ...
    ...
    9/
        img1.png
        img2.png
        ...
test/
    0/
    1/
    ...
    9/

接下来是具体代码：

# 导入必要的库
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten, Conv2D, MaxPooling2D

# 初始化数据生成器，做像素值归一化（缩到0-1区间）
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)

# 从目录加载训练数据
train_generator = train_datagen.flow_from_directory(
    'path/to/your/train/directory',  # 替换成你的训练集实际路径
    target_size=(28, 28),  # 统一图像尺寸（匹配MNIST的28x28）
    color_mode='grayscale',  # 手写数字是灰度图，选这个参数
    batch_size=32,  # 批量大小可根据显存调整
    class_mode='categorical'  # 多分类任务用这个，对应categorical_crossentropy损失
    # 如果标签是整数形式，也可以用class_mode='sparse'，对应sparse_categorical_crossentropy
)

# 加载测试数据
test_generator = test_datagen.flow_from_directory(
    'path/to/your/test/directory',
    target_size=(28, 28),
    color_mode='grayscale',
    batch_size=32,
    class_mode='categorical'
)

# 示例模型训练代码
model = Sequential([
    Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
    MaxPooling2D((2,2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(train_generator, epochs=10, validation_data=test_generator)

放心，Keras完全支持BMP格式的图像——因为底层依赖的PIL/Pillow库可以直接读取BMP文件，所以操作和上面几乎一致，只需要注意几个细节：

先确认你的目录结构符合要求（训练集、测试集下的子文件夹对应阿拉伯数字类别），然后直接用flow_from_directory方法即可，不需要额外处理格式。

适配后的代码：

from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 初始化生成器，做像素归一化
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)

# 加载训练数据，BMP格式会被自动识别
train_generator = train_datagen.flow_from_directory(
    'path/to/your/arabic_train_dir',  # 替换成你的阿拉伯数字训练集路径
    target_size=(28, 28),  # 确保图像尺寸统一（哪怕有个别图像尺寸不对，会自动调整）
    color_mode='grayscale',  # 阿拉伯手写数字一般是灰度图，若实际是彩色可改为'rgb'
    batch_size=32,
    class_mode='categorical'  # 按你的类别数量调整，比如如果是10类就用这个
)

test_generator = test_datagen.flow_from_directory(
    'path/to/your/arabic_test_dir',
    target_size=(28, 28),
    color_mode='grayscale',
    batch_size=32,
    class_mode='categorical'
)

# 后续模型训练和上面的示例一致，直接用model.fit(train_generator...)即可

几个额外小提示：

• 若不确定图像是否为灰度图，可打开一张查看；如果是彩色但内容是灰度，用color_mode='grayscale'会自动转成单通道，更适合手写数字分类。
• 如果你的数据集类别不是10个，记得调整模型最后一层Dense的单元数（比如15类就改成15）。
• 若显存不足，可把batch_size调小（比如改成16）。

内容的提问来源于stack exchange，提问作者Zainab Hasan