今天要來練習的是將影像資料做預處理，為什麼需要經過這道工法咧？我認為簡單來說，預處理的原理是將二維平面的影像資料轉換成一維的數字資料，好比把一張28×28的圖像攤開，變成由一格一格像素所組成，一長條長度為784的數字資料，再把這串數字做標準化（正規化），賦予它特定的意義，例如以數字代表色階、灰階程度等。然而，回到原本的問題，若是雜亂的將未處理的資料直接丟給電腦去做機器學習，想必是比較困難也相對費時的，要事先把資料做好預處理，才可以使用之後建立的多層感知器模型，進一步去執行訓練以及預測分析。

• 數字影像特徵值(features)預處理

1. 先查看確認影像資料的數量與尺寸大小：
   

2. 將原本28×28的二維手寫數字影像資料，轉換成一維數字向量，且儲存資料型態為浮點數(float)
   並查看資料是否轉換成功：
   
   

3. 查看轉換為一維數字的資料內容，其中的數字代表的是灰階程度(由淺到深分成0~255)：
   

4. 最後再把轉換好的一維數字資料做正規化，可以有效提升日後訓練模型的精確度：
   

• 數字影像真實值(labels)預處理：

1. 查看原本的label標籤欄位
   

2. 將標籤欄位執行One-hot encoding轉換，並印出轉換後的結果：
   

• 參考資料：
  TensorFlow+Keras深度學習人工智慧實務應用 — 林大貴著
  https://waternotetw.blogspot.com/2018/03/keras-mnist.html
  https://medium.com/@PatHuang/%E5%88%9D%E5%AD%B8python%E6%89%8B%E8%A8%98-3-%E8%B3%87%E6%96%99%E5%89%8D%E8%99%95%E7%90%86-label-encoding-one-hot-encoding-85c983d63f87