mnistで「各ラベル100件 × 10種類の1000件」を抽出したい（ラベル毎のバラつきが出ないよう抽出したい）

Question

前提・実現したいこと

Python & kerasでディープラーニングを行うモデルを作成・検証中です。
複数のモデルについて、学習データ数が少ない場合の学習の進み具合・最終的な精度を比較してみようと思っています。

そこで、mnist(またはfashion-mnist)で、「各ラベル100件 × 10種類の1000件」を抽出して学習データを作ろうと思っています。(各ラベルの件数は変えるかも知れません。)
が、なかなか良いやり方が思いつきません。

※頭から1000件やランダムに1000件抽出すると、ラベルごとの件数にバラつきが出て学習データとしてあまりよろしくないため、上記を実現したいと思っています。

自分でももっと試行錯誤してみようと思いますが、そもそもデータセットの扱い方がよくわかっておらず、どこから手を付けようかと困っています。

どなたかお知恵を貸して頂けると幸いです。

該当のソースコード

以下のようにインポート、ロードした後に何らかの方法で「各ラベル100件 × 10種類の1000件」（正しく紐付いたx_trainとy_train）を抽出したいです。

from keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

補足情報（FW/ツールのバージョンなど）

python 3.5.2
keras version2.1.2

Answer 1

https://medium.com/music-and-technology/scikit-learnのstratifiedkfoldで交差検定-fcb3c9f4572b

こちらを参考にしてみてください。

Comments

[yakitori99]

教えて頂いたページの内容で解決できました。ありがとうございます。

※元々各ラベルの件数比率が異なるため、厳密には「各ラベル100件 × 10種類の1000件」にはなりませんでした。が、やりたかったことができました。

一応、他の方への参考として実装したコードを共有致します。
--------------------------------------------------------
from keras.datasets import mnist
from sklearn.model_selection import StratifiedKFold
import numpy as np

# データのロード
(x_train, y_train), (x_test, y_test) = mnist.load_data()

## ラベルの比率を維持したままデータ分割
# n_splitsでKの数を指定
skf = StratifiedKFold(n_splits=60) # 1/60に分割→train:testが59:1となる
# 新しいndarrayに、分割した後のデータを入れる
for train_index, test_index in skf.split(x_train,y_train):
x_train_59000 = x_train[train_index]
y_train_59000 = y_train[train_index]
x_train_1000 = x_train[test_index]
y_train_1000 = y_train[test_index]

## 件数確認→ほぼ59:1に分割された
# ほぼ59000
print(x_train_59000.shape) #(59004, 28, 28)
print(y_train_59000.shape) #(59004,)
# ほぼ1000
print(x_train_1000.shape) #(996, 28, 28)
print(y_train_1000.shape) #(996,)

## y_train_1000の中の、ラベルの比率を確認→元データとほぼ同じ比率になっている
# numpy.bincountで、負でない整数の配列の各値の出現回数をカウント
y_train_count = np.bincount(y_train.astype(np.int8))
y_train_1000_count = np.bincount(y_train_1000.astype(np.int8))
print(y_train_count) #[5923 6742 5958 6131 5842 5421 5918 6265 5851 5949]
print(y_train_1000_count) #[ 98 112 99 102 97 90 98 104 97 99]