使用MNIST数据集进行深度学习模型的训练，先看一下MNIST数据集有多少个样本呢：

读取方式：

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
mnist_data_folder = "/MNIST_data" #指定数据集所在的位置
mnist = input_data.read_data_sets(mnist_data_folder,one_hot = True) #读取mnist数据集，其中one_hot是一种编码格式
#获取数据集的个数
train_nums = mnist.train.num_examples           #训练集样本数
validation_nums = mnist.validation.num_examples #校正集样本数
test_nums = mnist.test.num_examples             #测试集样本数
print("MNIST训练集样本个数：%d"%train_nums)
print("MNIST验证集样本个数：%d"%validation_nums)
print("MNIST测试集样本个数：%d"%test_nums)

输出如下：

MNIST训练集样本个数：55000
MNIST验证集样本个数：5000
MNIST测试集样本个数：10000

由此我们可以看到

数据集常常被划分为2部分（训练集、测试集）或三部分（训练集、测试集、验证集），各部分的作用：

训练集（Train set）:用来学习的一组例子，用于适应分类器的的参数（如神经网络的权重或阈值）。

验证集（Validation set）:一组用于调整分类器参数（即体系结构，而不是权重的示例）的示例，例如选择神经网络中隐层神经元的数量。

测试集（Test set）:一组用于评估完全指定分类器的的性能（泛化能力）的实例。

举个例子，训练集有点像模拟试卷，那么测试集就是期末大考，为了及时反馈学习状态调整学习方法，还可以设置月考，即验证集。