在我们将数据提供给网络之前，必须将其转换为网络所需的格式。这称为为网络准备数据。它通常包括将多维输入转换为一维向量，并对数据点进行归一化。

重塑输入向量

我们的数据集中的图像包含28 x 28像素。必须将其转换为大小为28 * 28 = 784的一维向量，才能将其馈送到我们的网络中。我们通过在向量上调用reshape方法来实现。

X_train = X_train.reshape(60000, 784)
X_test = X_test.reshape(10000, 784)

现在，我们的训练向量将由60000个数据点组成，每个数据点均由大小为784的单个维向量组成。类似地，我们的测试向量将由大小为784的单维向量的10000个数据点组成。

规范化数据

输入向量包含的数据当前具有介于0到255之间的离散值-灰度级。将这些像素值标准化为0到1有助于加快训练速度。当我们将使用随机梯度下降法时，对数据进行归一化也将有助于减少陷入局部最优的机会。

为了规范化数据，我们将其表示为浮点类型，然后将其除以255，如以下代码片段所示-

X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255

现在让我们看一看标准化数据的样子。

检查规范化数据

要查看标准化数据，我们将调用直方图函数，如下所示：

plot.hist(X_train[0])
plot.title("Digit: {}".format(y_train[0]))

在这里，我们绘制X_train矢量的第一个元素的直方图。我们还将打印此数据点表示的数字。运行上述代码的输出如下所示-

您会发现点的密集密度值接近零。这些是图像中的黑点，这显然是图像的主要部分。其余接近白色的灰度点代表数字。您可以查看其他数字的像素分布。下面的代码在训练数据集中打印索引为2的数字的直方图。

plot.hist(X_train[2])
plot.title("Digit: {}".format(y_train[2])

运行上面的代码的输出如下所示-

比较上面的两个图，您会注意到两个图像中白色像素的分布不同，表示上面两个图像中的不同数字表示为“ 5”和“ 4”。

接下来，我们将检查完整训练数据集中的数据分布。

检查数据分布

在我们的数据集上训练机器学习模型之前，我们应该知道数据集中唯一数字的分布。我们的图像代表10个不同的数字，范围从0到9。我们想知道数据集中的数字0、1等。我们可以使用Numpy的独特方法来获取此信息。

使用以下命令来打印唯一值的数量以及每个值的出现次数

print(np.unique(y_train, return_counts=True))

运行上面的命令时，您将看到以下输出-

(array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], dtype=uint8), array([5923, 6742, 5958, 6131, 5842, 5421, 5918, 6265, 5851, 5949]))

它显示了10个不同的值-0到9。存在5923个数字0，6742个数字1，依此类推。输出的屏幕截图显示在这里-

作为数据准备的最后一步，我们需要对数据进行编码。

编码数据

我们的数据集中有十个类别。因此，我们将使用一键编码将输出分类为这十个类别。我们使用Numpy实用程序的to_categorial方法执行编码。编码输出数据后，每个数据点将转换为大小为10的一维向量。例如，数字5现在将表示为[0,0,0,0,0,1,0,0,0 ，0]。

使用以下代码对数据进行编码-

n_classes = 10
Y_train = np_utils.to_categorical(y_train, n_classes)

您可以通过打印分类的Y_train向量的前5个元素来检查编码结果。

使用以下代码打印前5个向量-

for i in range(5):
   print (Y_train[i])

您将看到以下输出-

[0. 0. 0. 0. 0. 1. 0. 0. 0. 0.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]
[0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]

第一个元素表示数字5，第二个元素表示数字0，依此类推。

最后，您还必须对测试数据进行分类，这是使用以下语句完成的：

Y_test = np_utils.to_categorical(y_test, n_classes)

在此阶段，您的数据已准备就绪，可以馈入网络。

接下来，是最重要的部分，那就是训练我们的网络模型。