# Subsample the data for more efficient code execution in this exercise num_training = 5000 mask = list(range(num_training)) X_train = X_train[mask] y_train = y_train[mask] num_test = 500 mask = list(range(num_test)) X_test = X_test[mask] y_test = y_test[mask] # Reshape the image data into rows X_train = np.reshape(X_train, (X_train.shape[0], -1)) X_test = np.reshape(X_test, (X_test.shape[0], -1)) print(X_train.shape, X_test.shape)

在这段代码中，我们对训练数据集和测试数据集进行了子采样，以提高代码执行效率。

首先，我们定义了变量 `num_training` 和 `num_test`，分别表示要从训练数据集和测试数据集中选择的样本数量。

然后，我们使用 `list(range(num_training))` 创建一个包含从 0 到 `num_training-1` 的列表，并将其赋值给变量 `mask`。这个列表将用于对训练数据集进行子采样。

接下来，我们使用 `mask` 列表对训练数据集进行索引操作，将子采样后的结果赋值给变量 `X_train` 和 `y_train`。这样就得到了包含 `num_training` 个样本的训练数据集。

同样的步骤也适用于测试数据集。我们创建了一个包含从 0 到 `num_test-1` 的列表，并将其赋值给变量 `mask`。然后，使用 `mask` 对测试数据集进行索引操作，得到包含 `num_test` 个样本的子采样后的测试数据集，赋值给变量 `X_test` 和 `y_test`。

最后，我们使用 `np.reshape` 函数将图像数据转换为行向量的形式。通过将第二个参数设置为 `-1`，函数会自动计算行数，以保持原始数据的总大小不变。这样做是为了适应某些机器学习算法对输入数据的要求。最后，我们打印出变量 `X_train` 和 `X_test` 的形状，以确认数据的维度是否正确。

这段代码的目的是对数据集进行子采样，并将图像数据转换为行向量的形式，以便在后续的代码中更高效地执行。