Umformung von Daten für Deep Learning mit Keras

Ich bin ein Anfänger von Keras und habe mit dem MNIST-Beispiel begonnen, um zu verstehen, wie die Bibliothek tatsächlich funktioniert. Das Codefragment des MNIST-Problems im Keras-Beispielordner lautet wie folgt:

import numpy as np
np.random.seed(1337)  # for reproducibility

from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten  
from keras.layers import Convolution2D, MaxPooling2D
from keras.utils import np_utils

batch_size = 128
nb_classes = 10
nb_epoch = 12

# input image dimensions
img_rows, img_cols = 28, 28
# number of convolutional filters to use
nb_filters = 32
# size of pooling area for max pooling
nb_pool = 2
# convolution kernel size
nb_conv = 3

# the data, shuffled and split between train and test sets
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train.reshape(X_train.shape[0], 1, img_rows, img_cols)
X_test = X_test.reshape(X_test.shape[0], 1, img_rows, img_cols)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
..........

Ich kann die Umformfunktion hier nicht verstehen. Was macht es und warum haben wir es angewendet?

mnist.load_data()liefert die MNIST-Ziffern mit einer Struktur, (nb_samples, 28, 28)dh mit 2 Dimensionen pro Beispiel, die ein Graustufenbild 28x28 darstellen.

Die Convolution2D-Ebenen in Keras sind jedoch so konzipiert, dass sie mit drei Dimensionen pro Beispiel arbeiten. Sie haben 4-dimensionale Ein- und Ausgänge. Dies deckt Farbbilder ab (nb_samples, nb_channels, width, height), aber was noch wichtiger ist, es deckt tiefere Schichten des Netzwerks ab, in denen jedes Beispiel zu einer Reihe von Feature-Maps geworden ist, d (nb_samples, nb_features, width, height). H.

Das Graustufenbild für die Eingabe von MNIST-Ziffern würde entweder ein anderes CNN-Layer-Design benötigen (oder einen Parameter für den Layer-Konstruktor, um eine andere Form zu akzeptieren), oder das Design könnte einfach ein Standard-CNN verwenden, und Sie müssen die Beispiele explizit als 1-Kanal ausdrücken Bilder. Das Keras-Team entschied sich für den letzteren Ansatz, der neu gestaltet werden muss.