首先需要调整数据集的形状，让其包含图像的位深信息。
打印原始数据集的形状：
>>> print (X_train.shape) (60000, 28, 28)
可以看到并没有包含图像的位深信息。
MNIST是灰度图像，位深为1，我们将数据集从形状(n，宽度，高度)转换为(n，位深，宽度，高度)。
if K.image_data_format() == ‘channels_first‘: X_train = X_train.reshape(X_train.shape[0], 1, 28, 28) X_test = X_test.reshape(X_test.shape[0], 1, 28, 28) input_shape = (1, 28, 28) else: X_train = X_train.reshape(X_train.shape[0], 28, 28, 1) X_test = X_test.reshape(X_test.shape[0], 28, 28, 1) input_shape = (28, 28, 1)
Keras的底层实现库可能是TensorFlow或Theano，它们对数据集的形状要求是不一样的，TensorFlow要求通道在前channels_first，Theano相反。此处，我们使用TensorFlow的格式。
重新打印X_train的形状:
print (X_train.shape) # (60000, 1, 28, 28)
可以看到，形状已经变化了，包含了图像的位深信息。
接下来，输入数据预处理步骤是将数据类型转换为float32，并将数据值归一化到[0,1]范围内。
X_train = X_train.astype(‘float32‘) X_test = X_test.astype(‘float32‘) X_train /= 255 X_test /= 255
原文：https://www.cnblogs.com/huanghanyu/p/13173917.html