# 用于 CIFAR10 數據的 LeNet 現在我們已經學會了使用 TensorFlow 和 Keras 的 MNIST 數據集構建和訓練 CNN 模型，讓我們用 CIFAR10 數據集重復練習。 CIFAR-10 數據集包含 60,000 個 32x32 像素形狀的 RGB 彩色圖像。圖像被平均分為 10 個不同的類別或類別：飛機，汽車，鳥，貓，鹿，狗，青蛙，馬，船和卡車。 CIFAR-10 和 CIFAR-100 是包含 8000 萬個圖像的大圖像數據集的子集。 CIFAR 數據集由 Alex Krizhevsky，Vinod Nair 和 Geoffrey Hinton 收集和標記。數字 10 和 100 表示??圖像類別的數量。 有關 CIFAR 數據集的更多詳細信息，請訪問以下鏈接：[http://www.cs.toronto.edu/~kriz/cifar.html](http://www.cs.toronto.edu/~kriz/cifar.html) 和 [http://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf](http://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf). 我們選擇了 CIFAR 10，因為它有 3 個通道，即圖像的深度為 3，而 MNIST 數據集只有一個通道。 為了簡潔起見，我們將詳細信息留給下載并將數據拆分為訓練和測試集，并在本書代碼包中的 datasetslib 包中提供代碼。 您可以按照 Jupyter 筆記本中的代碼`ch-09b_CNN_CIFAR10_TF_and_Keras`。 我們使用以下代碼加載和預處理 CIFAR10 數據： ```py from datasetslib.cifar import cifar10 from datasetslib import imutil dataset = cifar10() dataset.x_layout=imutil.LAYOUT_NHWC dataset.load_data() dataset.scaleX() ``` 加載數據使得圖像采用`'NHWC'`格式，使數據變形（`number_of_samples, image_height, image_width, image_channels`）。我們將圖像通道稱為圖像深度。圖像中的每個像素是 0 到 255 之間的數字。使用 MinMax 縮放來縮放數據集，以通過將所有像素值除以 255 來標準化圖像。 加載和預處理的數據在數據集對象變量中可用作`dataset.X_train`，`dataset.Y_train`，`dataset.X_test`和`dataset.Y_test`。