Fashion MNIST数据集中包含10种类别、共7万张不同商品的正面图像。在Keras中集成了Fashion MNIST数据集，被划分为训练集和测试集。 下载数据集，并完成以下要求： 要求： (1)下载Fashion MNIST数据集，读取训练集和测试集数据，分别放在NumPy数组train_x、train_y、test_x、test_y中（train_x：训练集图像，train_y：训练集标签，test_x：测试集图像，test_y：测试集标签） (2)编写代码段，查看训练集和测试集的样本数、形状，并查看数据集中的10类标签分别是什么。 (3)从训练集中选择前10张图像，对每张图像分别进行以下变换：转置、上下翻转、顺时针旋转10度、逆时针旋转10度、水平镜像，将图像数量由10张增加到60张，并将处理后的图像保存在多维数组train_x_aug1中。

import numpy as np
import tensorflow.keras.datasets.fashion_mnist as fashion_mnist

# 下载并加载Fashion MNIST数据集
(train_x, train_y), (test_x, test_y) = fashion_mnist.load_data()

# 查看训练集和测试集的样本数、形状，并查看数据集中的10类标签分别是什么
print('训练集图像数：', train_x.shape[0])
print('训练集图像形状：', train_x.shape[1:])
print('测试集图像数：', test_x.shape[0])
print('测试集图像形状：', test_x.shape[1:])
print('10类标签分别是：', np.unique(train_y))

# 对训练集前10张图像进行变换
train_x_aug1 = np.empty((train_x.shape[0] * 6, train_x.shape[1], train_x.shape[2]))
for i in range(10):
    # 转置
    train_x_aug1[i*6] = np.transpose(train_x[i])
    # 上下翻转
    train_x_aug1[i*6+1] = np.flipud(train_x[i])
    # 顺时针旋转10度
    train_x_aug1[i*6+2] = np.rot90(train_x[i], k=-1)
    # 逆时针旋转10度
    train_x_aug1[i*6+3] = np.rot90(train_x[i])
    # 水平镜像
    train_x_aug1[i*6+4] = np.fliplr(train_x[i])
    # 原图像
    train_x_aug1[i*6+5] = train_x[i]

说明：以上代码中，我们首先使用`fashion_mnist.load_data()`函数下载Fashion MNIST数据集，并将训练集和测试集分别赋值给`train_x`、`train_y`、`test_x`、`test_y`。然后，我们使用`np.unique(train_y)`函数查看数据集中的10类标签是什么。接下来，我们对训练集前10张图像进行了5种变换，分别是转置、上下翻转、顺时针旋转10度、逆时针旋转10度、水平镜像，并将处理后的图像保存在多维数组`train_x_aug1`中，共60张图像。