在学习3DCNN过程中，遇到许多新函数一知半解，现在记录学习一下。（后续补充）
train_test_split：
需要从sklearn.model_selection 导入，导入方式如下：from sklearn.model_selection import train_test_split
X_train,X_test, y_train, y_test =cross_validation.train_test_split(train_data,train_target,test_size=0.2, random_state=42)
train_data：所要划分的样本特征集 ，所有的文件李彪
train_target：所要划分的样本结果 ， 标签集
test_size：样本占比，如果是整数的话就是样本的数量
random_state：是随机数的种子。
stratify是为了保持split前类的分布。比如有100个数据，80个属于A类，20个属于B类。如果train_test_split(... test_size=0.25, stratify = y_all), 那么split之后数据如下：
training: 75个数据，其中60个属于A类，15个属于B类。
testing: 25个数据，其中20个属于A类，5个属于B类。
img = img.convert()
PIL有九种不同模式: 1，L，P，RGB，RGBA，CMYK，YCbCr，I，F。
1 代表 二值图像，
L 代表 灰度图像P ------------------（8位像素，使用调色板映射到任何其他模式）RGB------------------（3x8位像素，真彩色）RGBA------------------（4x8位像素，带透明度掩模的真彩色）CMYK--------------------（4x8位像素，分色）YCbCr--------------------（3x8位像素，彩色视频格式）I-----------------------（32位有符号整数像素）F------------------------（32位浮点像素）
收集关键字参数：**params（输出字典）
def print_params3(**params):
print(params) ##{'z':1，'x':2，'y':3}
print_params3(x=1,y=2,z=3)
def print_params3(title,*pospar,**keypar):#定义,位置参数+收集位置参数+收集关键字参数
print(title,pospar,keypar)
print_params3(99,100,111,x=1，y=2，z=3）#调用
99
(100,111)
{'z':1，'x':2，'y':3}