将数据输入到神经网络中
以一个256像素 x 128像素的图片来举例。AI不能直接以常规方式（流或是base64）读取这个图片，而是要将这个图片转换为神经网络能够接收的格式。
首先引入两个概念
- 图片是由很多个像素组成的，每一个像素都是一个纯色颜色块，这些像素组合在一起并缩小，就成了图片
- 每个颜色都能通过三原色：红绿蓝（RGB）来组成。0是最小值，255是最大值，例如(0,0,0)代表黑色；(255,255,255)代表白色。括号内的三个参数分别对应红绿蓝三个颜色的强度值（权重）
那么AI要读取图片也就涉及到了一点数学知识。
首先，每个图片都能理解为是一个由像素组成的矩阵，不理解矩阵的，可以理解为是二维数组，就像Excel表格那样。
其次，每一个像素都是由三原色构成的纯色，所以一个图片可以拆成是三个分别代表红绿蓝的矩阵
三个矩阵内保存的是纯数值，分别对应着该数值所在位置的像素块的红绿蓝色值是多少。
所以，三个矩阵内的相同位置的数值，合并起来就能代表一个颜色，也就是图片中该位置的像素的颜色。
通过一个图片，我们可以得到三个矩阵，但是这三个矩阵还是不能被神经网络直接读取
所以我们要对矩阵进行向量化处理
不会向量不用慌，记住这些词就行。而且实际情况中，都有人把公式写好了，不用自己实现数学逻辑
进行向量化
把这三个矩阵转换为一个向量，那么这个向量的总维数就是 256 x 128 x 3 = 98304
在AI领域中，每一个输入到神经网络中的数据都叫一个特征，那么这个图片就有98304个特征。而这个98304维度的向量，则被称为是特征向量
神经网络接收这个特征向量作为输入，然后预测相应的结果