在阅读keras的中文文档时候，对于这里的代码不了解

y_train = keras.utils.to_categorical(np.random.randint(10, size=(1000, 1)), num_classes=10)

这里应该拆分为两部分看待
第一个是np.random.randint()
查看numpy文档知道：

random.randint ( low , high = None , size = None , dtype = int ) ​
返回从低（包含）到高（不包含）的随机整数。

1.返回“半开”区间 [ low , high )内指定 dtype 的“离散均匀”分布中的随机整数。注意，如果 high为 None （默认值），即不写high，则结果来自 [0, low )。

2.size:int 或 int 元组，可选
表示给定形状。默认值为 None，在这种情况下返回单个值。可以使用元组表示多维，例如size=(2,2)就是形状为两行两列的矩阵

3.dtype ，可选
结果所需的类型。默认值为 long。

例如：

这里的3是输入给形参low的值，没有high，说明数值在[0,3)之间。
size=(10, 1)表示形状是10行一列的矩阵。我们看打印出来的数据，是一个10行1列矩阵，且每一个元素都是0或者1或者2。

第二个就是to_categorical(y, num_classesy, dtype)
其中：
y是待转换的标签数组。
num_class是标签中共有多少种类。
dtype则是转化的目标数据类型。

y_train = utils.to_categorical(rand, num_classes=10)

代码中，我们使用的数组为之前的rand，即一个10行1列的数组
dtype默认浮点型，不过我不知道是默认float32还是什么
而我们要了解num_class的应用。就必须要知道one-hot。

one-hot编码，又称独热编码、一位有效编码。其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。其中种类从0开始编码

我们看一下官方文档的介绍，将整数转为二进制类矩阵

这里的类向量（整数）就是我们输入的rand里面的一个个元素。也就是说，num_class指定了多少种类，一般这里的种类是大于或者等于我们输入的数组y中整数的上限的。例如我们rand中设置了low=3，说明rand有三种取值，0,1，2。我们设置num_class=10，这个超过了3（取值种类），说明可以应用。我们使用代码y_train = utils.to_categorical(rand, num_classes=10)。会将rand矩阵扩展为num_class列，而行数不变的矩阵，其中每一行都会有num_class个元素，但是只有对应rand中元素数值的那位（位置）才是1，表示生效，其他都是0.

例如：我们输入矩阵，如下

[[0. 0. 1. 0. 0. 0. 0. 0. 0. 0.]
 [0. 0. 1. 0. 0. 0. 0. 0. 0. 0.]
 [1. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
 [0. 0. 1. 0. 0. 0. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
 [0. 0. 1. 0. 0. 0. 0. 0. 0. 0.]
 [0. 0. 1. 0. 0. 0. 0. 0. 0. 0.]
 [1. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]]
第一行的2号位（下标从0开始）为1，说明整数为2，我们看rand:
[[2]
 [2]
 [0]
 [1]
 [2]
 [1]
 [2]
 [2]
 [0]
 [1]]
 发现确实是2。接下来就以此类推即可

如果我们设置num_class过小会怎么样：

可以发现数组越界，毕竟我们需要至少三种类型，然而只提供了两种。显然不够表示的。即我们至少需要为num_class=3

这样才可以（这里数据我把rand的值换了）
新的rand如下，可以发现生效位置和数值一一对应。

综上，就是将待转化的整数（元素）转为向量，让其整数通过num_class控制转为one-hot生效编码。