为方便利用神经网络进行训练，需要将每个图片展成一维向量，这里采用re-shape函数实现转换，将每个图片转化为784个0～255的float类型数据表示。考虑到神经网络使用加权和进行运算，为保证训练过程稳定、有效，需要在模型训练前进行图像预处理。常见的图像预处理有归一化、中心化和标准化三种方法。其中归一化是将图像所有像素值缩放到0～1范围；中心化是将像素值减去平均像素值，使得图像新像素值的平均值为0；标准化可将像素值处理为标准高斯分布，表现为图像新像素值的平均值为0，标准差为1。
在MNIST数据集上，图像归一化和标准化对模型训练的准确度几乎没有差异。但是在实践中，推荐选择归一化，因为其实现比标准化更加简单。而图像中心化在该数据集上的效果比其他两种都存在差距。下面代码采用归一化对转换为浮点数的像素值进行处理。
x_Train=x_train_image.reshape（60000，784）.astype（＇float32＇）#转化数据格式
x_Test=x_test_image.reshape（10000，784）.astype（＇float32＇）
x_Train_normalize=x_Train/255#数据归一化
x_Test_normalize=x_Test/255(www.xing528.com)
由于样本数据的原始标签采用0～9的数字表示不同类别，如果将数字0和1，以及数字0和9之间的差异性采用标签直接采用的数字来进行距离间的比较，比如，以x_1、x_2、x_3代表三个数字图像分类为例，样本标签分别对应1、2、3三个取值，两个图像之间的距离是：d（x_1，x_2）=1，d（x_2，x_3）=1，d（x_1，x_3）=2。显然这样的表示，计算出来的样本标签的距离无疑是不合理。常规的解决办法是对样本标签进行one-hot转换，即使用独热编码标注样本标签，则得到x_1=（1，0，0），x_2=（0，1，0），x_3=（0，0，1），那么两个图像之间的距离就都是sqrt（2），即每两个图像样本标签之间的距离是一样的，这相比之前不采用独热编码显得更合理。
独热编码又称为一位有效位编码，这个编码方式在多分类问题中比较常见，尤其是损失函数为交叉熵函数时。对于本例而言，假如y_train_label[0]的标签是整数5，独热编码就会把它修改为一个含有10个元素的数组，除第五个元素的设置为1以外，其余元素均设置为0。这样，转换后的y_train_label[0]由5变成了[0，0，0，0，1，0，0，0，0，0]。将训练集和测试集样本标签进行独热编码转换的相应代码如下：
y_Train_OneHot=np_utils.to_categorical（y_train_label）
y_Test_OneHot=np_utils.to_categorical（y_test_label）
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
