Định hình lại dữ liệu để học sâu bằng Keras

Tôi là người mới bắt đầu với Keras và tôi đã bắt đầu với ví dụ MNIST để hiểu cách thư viện thực sự hoạt động. Đoạn mã của vấn đề MNIST trong thư mục ví dụ Keras được đưa ra là:

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')
..........

Tôi không thể hiểu chức năng định hình lại ở đây. Nó đang làm gì và tại sao chúng ta lại áp dụng nó?

mnist.load_data()cung cấp các chữ số MNIST với cấu trúc (nb_samples, 28, 28)tức là có 2 chiều cho mỗi ví dụ đại diện cho hình ảnh thang độ xám 28x28.

Tuy nhiên, các lớp Convolution2D trong Keras, được thiết kế để hoạt động với 3 chiều cho mỗi ví dụ. Họ có đầu vào và đầu ra 4 chiều. Điều này bao gồm các hình ảnh màu (nb_samples, nb_channels, width, height), nhưng quan trọng hơn, nó bao phủ các lớp sâu hơn của mạng, trong đó mỗi ví dụ đã trở thành một tập hợp các bản đồ đặc trưng (nb_samples, nb_features, width, height).

Hình ảnh thang độ xám cho đầu vào chữ số MNIST sẽ cần một thiết kế lớp CNN khác (hoặc một tham số cho trình tạo lớp để chấp nhận một hình dạng khác) hoặc thiết kế có thể chỉ cần sử dụng một CNN tiêu chuẩn và bạn phải thể hiện rõ ràng các ví dụ dưới dạng 1 kênh hình ảnh. Nhóm Keras đã chọn cách tiếp cận thứ hai, cần hình dạng lại.