今天我們要來看的是要如何查看多筆訓練資料image與label，以及先整理之後所有要使用的features和labels。

查看多筆訓練資料images與label

1. 建立plot_images_labels_prediction()函數，如下圖所示:
   
   以下逐步分析步驟!
   匯入pyplot模組，如下所示

import matplotlib.pyplot as plt

定義plot_images_labels_prediction()函數，如下所示

def plot_images_labels_prediction(images,labels,prediction,idx,num=10):

(定義plot_images_labels_prediction()函數，傳入參數:images、labels、prediction、idx、num)
設定顯示圖型的大小

fig = plt.gcf()
fig.set_size_inches(12, 14)

如果顯示筆數參數大於25設定為25，避免發生錯誤

if num>25: num=25

for迴圈執行程式碼以畫出num個數字圖形，如下所示

    for i in range(0, num):
        ax=plt.subplot(5,5,1+i)
        ax.imshow(image[idx], cmap='binary')
        title= "label=" +str(labels[idx])
        if len(prediction)>0:
            title+=",predict="+str(prediction[idx])
            
        ax.set_title(title,fontsize=10)
        ax.set_xticks([]);ax.set_yticks([])
        idx+=1

開始畫圖plt.show()
這樣就建立成功啦!

2. 查看訓練前10筆資料，如下圖所示:
   
3. 查看test測試資料
   鍵入以下指令:
   
   查看test測試資料筆數，共可看到10000筆資料，也可以鍵入show_images_labels()，顯示測試資料前10筆資料

多層感知器模型資料預處理
我們要開始建立多層感知器模型，首先要將images與labels的內容進行預處理，才能進行使用。
主要可分為兩部分:

• features資料預處理
• labels資料預處理

features資料預處理

1. 查看image的shape
   鍵入以下指令，可以查看數字影像的shape

print ('X_train_image:',X_train_image.shape)
print ('Y_train_label:',Y_train_label.shape)

2. 將image以reshape轉換
   筆者剛剛所呈現出的是二維的數字影像，只要以reshape轉換成一維，並且將astype轉換為float，總共有784個float
   如下圖所示:
   
   若要查看轉換為一維向量的shape，只需鍵入以下指令即可查看:

print ('X_train:',X_Train.shape)
print ('X_test:',X_Test.shape)

3. 查看影像內容
   首先先查看第0筆的內容，再將數字影像image的數字標準化

• 鍵入X_train_image[0]
• 再鍵入下圖的指令
  
  注意!image的數字標準化，可提高訓練的準確率，因為image的數字是0至255，所以最簡單的標準化的方式是除以255
  結束後，鍵入X_Train_normalize[0]以查看數字影像image的數字標準化後的結果。

labels資料預處理

1. 查看原先標籤的欄位
   相當簡單，只需鍵入以下指令，即可查看前五筆訓練資料

Y_train_label[:5]

2. 執行One-hot encoding轉換
   使用np_utils.to_categorical分別傳入訓練資料與測試資料的label之標籤欄位，即可執行one-hot encoding轉換
   如下圖所示:
   

3. 查看執行結果，就正式結束啦!
   鍵入以下指令即可查看

Y_TrainOnHot[:5]

注意!執行One-hot encoding後，架設第一筆資料原來的真實值為5，會從第五個數字(由0算起)是1，其餘皆為0

這樣整個資料處理就完成啦!明天再接再勵!

Reference: 林大貴(2019)：TensorFlow+Keras 深度學習人工智慧實務應用。新北市：博碩文化