Kerasを使用したディープラーニングのためのデータの再形成

私はケラスの初心者であり、ライブラリが実際にどのように機能するかを理解するためにMNISTの例から始めました。Kerasサンプルフォルダー内のMNIST問題のコードスニペットは次のようになります。

import numpy as np
np.random.seed(1337)  # for reproducibility

from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten  
from keras.layers import Convolution2D, MaxPooling2D
from keras.utils import np_utils

batch_size = 128
nb_classes = 10
nb_epoch = 12

# input image dimensions
img_rows, img_cols = 28, 28
# number of convolutional filters to use
nb_filters = 32
# size of pooling area for max pooling
nb_pool = 2
# convolution kernel size
nb_conv = 3

# the data, shuffled and split between train and test sets
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train.reshape(X_train.shape[0], 1, img_rows, img_cols)
X_test = X_test.reshape(X_test.shape[0], 1, img_rows, img_cols)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
..........

ここで変形機能を理解できません。それは何をしていて、なぜそれを適用したのですか？

mnist.load_data()MNISTの桁に構造、(nb_samples, 28, 28)つまり、グレースケールイメージ28x28を表す例ごとに2次元を提供します。

ただし、KerasのConvolution2Dレイヤーは、例ごとに3次元で機能するように設計されています。4次元の入力と出力があります。これはカラー画像をカバーします(nb_samples, nb_channels, width, height)が、より重要なのは、各例がフィーチャマップのセットになったネットワークのより深い層をカバーすること(nb_samples, nb_features, width, height)です。

MNIST桁入力のグレースケールイメージは、異なるCNNレイヤーデザイン（またはレイヤーコンストラクターのパラメーターが異なる形状を受け入れるためのパラメーター）を必要とするか、デザインで標準CNNを使用するだけで、例を1チャネルとして明示的に表現する必要があります画像。Kerasチームは、再形成が必要な後者のアプローチを選択しました。