活动地址：[CSDN21天学习挑战赛](https://marketing.csdn.net/p/bdabfb52c5d56532133df2adc1a728fd)
前言
本周的教程有3个不同类型的数据集，包括手写数字、服装分类、天气识别。虽然识别的内容不一样，但是运用的框架都是相似的。
本节主要对一些入门知识进行分解学习。
一、本次学习任务？
深度学习的对象是图片，图片是一个个像素点组成的，每个像素点可以看成一个数字，从最简单的角度来看，可以吧一个图片抽象的看成ax+by+cz+… =k，这里的x，y，z相当于图上的像素点值。
二、学习内容
1. 图像数据查看
因为数据集是从keras直接导入的。通过shape可以看到数据集的结构
train_images.shape,test_images.shape,train_labels.shape,test_labels.shape
"""
输出：((60000, 28, 28), (10000, 28, 28), (60000,), (10000,))
"""
这里的(60000, 28, 28)是什么意思？
60000代表train这个集合里有60000张图片，每张图片是2828大小。
这个纬度一看就知道是灰度图，也即第三个通道为 1。彩色图会是2828*3。
2.归一化
老师的教程里，对归一化是这么描述的。
归一化的作用
1.使不同量纲的特征处于同一数值量级，减少方差大的特征的影响，是模型更准确。
2.加快学习算法的收敛速度
因为这是图片数据，每个像素点的值变化范围是0-255，因此归一化的算法是对每个值/255。
3.调整图片大小
从1中可以看到图像的尺寸都是是28*28，神经网络本身输入大小是固定的[28 * 28 * 1]。但是很多时候图片大小是不一样的，所以需要reshape。
总结
本章主要介绍图片相关的（预处理）内容，当然，预处理其实还包括很多方面。下一章学习神经网络基础。