# 100種物體分類（cifar100）
50,000 張 32x32 彩色訓練圖像數據，以及 10,000 張測試圖像數據，總共分為 100 個類別。
用法：
~~~
import numpy as np
import matplotlib.pyplot as plt
from AADeepLearning.datasets import cifar100
(x_train, y_train), (x_test, y_test) = cifar100.load_data(label_mode='fine')
print('x_train shape:', x_train.shape)
print('y_train shape:', y_train.shape)
print('x_test shape:', x_test.shape)
print('y_test shape:', y_test.shape)
x_train = np.transpose(x_train, (0,2,3,1))
plt.figure(figsize=(1,1))
plt.imshow(x_train[0])
plt.show()
~~~
```
#輸出
x_train shape: (50000, 3, 32, 32)
y_train shape: (50000, 1)
x_test shape: (10000, 3, 32, 32)
y_test shape: (10000, 1)
```
* **返回：**
* 2 個元組：
* **x\_train, x\_test**: uint8 數組表示的 RGB 圖像數據，尺寸為 (num\_samples, 3, 32, 32) 或 (num\_samples, 32, 32, 3)，基于`image_data_format`后端設定的`channels_first`或`channels_last`。
* **y\_train, y\_test**: uint8 數組表示的類別標簽（范圍在 0-9 之間的整數），尺寸為 (num\_samples,)。
- 序言
- 安裝
- 快速體驗
- 配置
- 層（layer）
- 展平（flatten）
- 全連接（fully connected）
- 卷積（convolutional）
- 池化（pooling）
- 標準化（batch normalization）
- 失活（dropout）
- 循環（RNN）
- 長短期記憶（LSTM）
- 激活函數（activation）
- relu
- sigmoid
- tanh
- 損失（loss）
- 交叉熵損失（softmax）
- 折頁損失（SVM或Hinge）
- 優化器（optimizer）
- 帶動量學習率自適應（adam）
- 動量（momentum）
- 學習率自適應（rmsprop）
- 隨機梯度下降（sgd）
- 模型（model）
- 保存（save）
- 載入（reload）
- 繼續訓練（continue train）
- 數據集（datasets）
- 手寫數字（mnist）
- 時尚物品（Fashion-MNIST）
- 10種物體分類（cifar10）
- 100種物體分類（cifar100）
- 電影評論情感分類（imdb）
- 路透社新聞主題分類（reuters）
- 可視化（visualization）
- 損失曲線（loss）
- 準確率曲線（accuracy）