没有这样的论点mnist.load_data。相反，您可以numpy通过sklearn（或numpy）拆分来连接数据：

from keras.datasets import mnist
import numpy as np
from sklearn.model_selection import train_test_split

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x = np.concatenate((x_train, x_test))
y = np.concatenate((y_train, y_test))

train_size = 0.7
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size=train_size, random_seed=2019)
为可重复性设置随机种子。

via numpy（如果你不使用sklearn）：

do the same concatenation

np.random.seed(2019)
train_size = 0.7
index = np.random.rand(len(x)) < train_size # boolean index
x_train, x_test = x[index], x[~index] # index and it's negation
y_train, y_test = y[index], y[~index]
您将获得大约所需大小的数组（~210xx而不是21000测试大小）。

编辑看起来像这个函数的
源代码mnist.load_data只是从分割为60000/10000测试的url中获取此数据，因此只有一个连接解决方​​法。