Python MNIST 数据集图片展示：完整代码及注释

以下是 Python 代码，其中包括加载 MNIST 数据集并显示一张图片的完整注释：

import os  # 导入 os 模块，用于操作文件和目录
import struct  # 导入 struct 模块，用于解析二进制数据
import numpy as np  # 导入 NumPy 库，用于对矩阵进行操作
import matplotlib.pyplot as plt  # 导入 matplotlib 库，用于绘制图像

# 定义函数，用于读取 MNIST 数据集
def load_mnist(path, kind='train'):
    'Load MNIST data from `path`'
    labels_path = os.path.join(path, '{}-labels-idx1-ubyte'.format(kind))
    images_path = os.path.join(path, '{}-images-idx3-ubyte'.format(kind))
    with open(labels_path, 'rb') as lbpath:
        magic, n = struct.unpack('>II', lbpath.read(8))
        labels = np.fromfile(lbpath, dtype=np.uint8)
    with open(images_path, 'rb') as imgpath:
        magic, num, rows, cols = struct.unpack('>IIII', imgpath.read(16))
        images = np.fromfile(imgpath, dtype=np.uint8).reshape(len(labels), 784)
        # 将像素值缩放到 0 到 1 之间
        images = ((images / 255.) - .5) * 2
    return images, labels

# 加载 MNIST 数据集
X_train, y_train = load_mnist('D:\dataset\MNIST', kind='train')
X_test, y_test = load_mnist('D:\dataset\MNIST', kind='t10k')

# 显示第一张图片
plt.imshow(X_train[0].reshape(28, 28), cmap='gray')
plt.show()

代码解释：

首先我们导入了需要用到的模块，包括 os、struct、numpy 和 matplotlib.pyplot。
接着我们定义了一个函数 load_mnist，用于读取 MNIST 数据集。该函数接收两个参数，一个是数据集的路径，另一个是数据集的类型（训练集或测试集）。
在 load_mnist 函数中，我们分别读取了标签文件和图像文件。标签文件中包含了每张图像的标签（即对应的数字），而图像文件中包含了每张图像的像素值。
我们将像素值缩放到 0 到 1 之间，以便在显示图像时更加美观。
最后我们调用 load_mnist 函数，加载 MNIST 数据集，并使用 matplotlib.pyplot 库显示第一张图像。我们使用 cmap='gray' 参数指定了灰度图像。