填充（padding）和热独编码（one-hot encoding）操作

对训练集和测试集的图像数据进行填充（padding），并对标签进行热独编码（one-hot encoding）

• 1.样本填充

X_train = np.pad(train["X"], ((0, 0), (2, 2), (2, 2), (0, 0)), "constant")
X_test = np.pad(test["X"], ((0, 0), (2, 2), (2, 2), (0, 0)), "constant")

np.pad：这是 NumPy 提供的填充函数，用于在数组的指定维度上添加填充。

填充参数：((0, 0), (2, 2), (2, 2), (0, 0))：指定了每个维度的填充方式。对于一个 4 维数组（假设形状为 (样本数, 高度, 宽度, 通道数)），填充方式如下：

第一个维度（样本数）：不填充，即 (0, 0)。
第二个维度（高度）：在顶部和底部各填充 2 行，即 (2, 2)。
第三个维度（宽度）：在左侧和右侧各填充 2 列，即 (2, 2)。
第四个维度（通道数）：填充不，即 (0, 0)。

“constant”：表示填充的值是常数，默认填充值为 0。

• 2.标签独热编码（One-Hot Encoding）

y_train = np.eye(10)[train["y"].reshape(-1)]
y_test = np.eye(10)[test["y"].reshape(-1)]

np.eye(10)：生成一个 10×10 的单位矩阵。每一行代表一个类别（0 到 9）。

train[“y”].reshape(-1)：假设 train[“y”] 是标签数组，reshape(-1) 将其展平为一维数组。

np.eye(10)[…]：通过索引操作，将每个标签值（0 到 9）映射到单位矩阵的对应行，从而实现独热编码。