# 100种物体分类（cifar100）
50,000 张 32x32 彩色训练图像数据，以及 10,000 张测试图像数据，总共分为 100 个类别。
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()
~~~
```
#输出
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 个元组：
* **x\_train, x\_test**: uint8 数组表示的 RGB 图像数据，尺寸为 (num\_samples, 3, 32, 32) 或 (num\_samples, 32, 32, 3)，基于`image_data_format`后端设定的`channels_first`或`channels_last`。
* **y\_train, y\_test**: uint8 数组表示的类别标签（范围在 0-9 之间的整数），尺寸为 (num\_samples,)。
- 序言
- 安装
- 快速体验
- 配置
- 层（layer）
- 展平（flatten）
- 全连接（fully connected）
- 卷积（convolutional）
- 池化（pooling）
- 标准化（batch normalization）
- 失活（dropout）
- 循环（RNN）
- 长短期记忆（LSTM）
- 激活函数（activation）
- relu
- sigmoid
- tanh
- 损失（loss）
- 交叉熵损失（softmax）
- 折页损失（SVM或Hinge）
- 优化器（optimizer）
- 带动量学习率自适应（adam）
- 动量（momentum）
- 学习率自适应（rmsprop）
- 随机梯度下降（sgd）
- 模型（model）
- 保存（save）
- 载入（reload）
- 继续训练（continue train）
- 数据集（datasets）
- 手写数字（mnist）
- 时尚物品（Fashion-MNIST）
- 10种物体分类（cifar10）
- 100种物体分类（cifar100）
- 电影评论情感分类（imdb）
- 路透社新闻主题分类（reuters）
- 可视化（visualization）
- 损失曲线（loss）
- 准确率曲线（accuracy）