# 以下的範例程式使用Kera API載入CIFAR-10資料集，並建立訓練資料集中前九個影像的繪圖。
# 執行該範例將載入CIFAR-10訓練和測試資料集，並列印它們的形狀。
# 我們可以看到，在訓練資料集中有50,000個範例，在測試資料集中有10,000個範例，並且影像確實是正方形的，具有32×32像素和顏色，具有三個通道。
# 還創建了資料集中前九個影像的曲線圖。
# 很明顯，與現代照片相比，這些影像確實非常小；在解析度極低的情況下，要想看到一些影像到底代表了什麼是一件很有挑戰性的事情。
# 這種低解析度很可能是頂級演算法在資料集上實現的效能有限的原因。
# example of loading the cifar10 dataset
from matplotlib import pyplot
from keras.datasets import cifar10
# load dataset
(trainX, trainy), (testX, testy) = cifar10.load_data()
# summarize loaded dataset
print('訓練集 Train: X=%s, y=%s' % (trainX.shape, trainy.shape))
print('測試集 Test: X=%s, y=%s' % (testX.shape, testy.shape))
# plot first few images
for i in range(9):
# define subplot
pyplot.subplot(3,3,0+1+i)
# plot raw pixel data
pyplot.imshow(trainX[i])
# show the figure
pyplot.show()
