# 專題總審文件 - 卷積神經網路於白內障辨識之應用
###### tags: `總審`

## 致謝

## 摘要

## Abstract

## 第一章 諸論
### 研究動機
### 研究問題

## 第二章 文獻探討

## 第三章 研究方法與過程
- 設備名稱、程式時間
### 簡述白內障（可以從眼球構造等去解析）
- 人類眼球眼色是否會有相干
### 資料收集（之前處理的部份我們需要講一下嗎）
- 資料反光（那時候是說因為技術上很難直接修正，所以希望使用者在拍攝的時候就直接做修正，提醒使用者若有反光、看旁邊、眼球不完整等皆有可能會有判斷失誤的狀況）
- 看旁邊
- 照片正方形方式拍攝
### Machine Learning API
-Keras
-Tensorflow

### Tuning CNN HyperParameters
The trained MLP model contains 6 layers, each with the same activation function i.e. ReLU and trained using Adam algorithm for 700 epochs. The input consists of 23 features over the past 7 days, flattened to form a vector of length 161. The layers contain 130, 100, 50, 25, 10, 1 neurons hierarchically in the input to the output direction.
- input size:
32x32
**64x64**
128x128
256x256
- 參數設定 kernel_size:
(2,2)
**(3,3)**
(4,4)
- stride=3 -> (3,3) 1
**1**
2
3
- 詳列各參數的意義，以及變大變小會造成的結果（列出我們現在有更動哪些參數）
- callbacks:
earlystopping
**checkpoint**
- cross validation:
Train:Test | 4:1 | 5X Cross Validation

| Confusion Matrix | Cataract | Normal |
| -------- | -------- | -------- |
| **Cata** | TP | FP |
| **Norm** | FN | TN |
- dropout試過但卻更差？:
0,1 ~ 0,9 :x:
- optimizers:
**Adam**
Nadam
SGD
- loss:
**binary_crossentropy**
categorical_crossentropy

### 當初選擇app後來變成網站的原因？
### 從不好到好 中間有改動哪些東西

## 第四章 研究結果與討論

## 第五章 結論與未來發展

- 我們目前只能做有無白內障的判斷，希望能針對有白內障的分出嚴重程度（輕中重度）
- 因為我們是直接以網路上的資料建造模型，或許我們缺乏專業的知識判讀，往後若有相關人員的支持，可望對模型做修正
## 第六章 參考文獻