# 深度學習第三次作業
## 前導
* **數據**
這份作業的目標是要識別手寫數字的軌跡，分別有 train_in.csv、train_out.csv、test_in.csv 三筆資料。數據集內容為手寫數字的軌跡，每組 ID 對應到的軌跡有八個二維坐標點，目標是建立一個 RNN 循環神經網絡來進行 label 的預測。

## 實作
* **數據預處理**
一開始先從 train_in.csv 和 train_out.csv 讀取訓練數據集，以及從 test_in.csv 讀取測試數據集。並將數據轉換為NumPy數組，重新塑造並訓練數據集的形狀(8, 2)，使其符合RNN所需的形狀。

* **Model**
這份作業我採用的是 RNN 循環神經網絡，先進行 train_test_split 增加訓練的隨機性以防止過度擬合，模型一共有兩層，分別是 LSTM 層和輸出層， LSTM 層作為循環神經網絡的核心，input 的形狀圍(8, 2)，對應到八個不同時間下的座標，並設立 early_stopping 防止過度訓練。

* **激活函數的選用**
這份作是屬於多分類的問題，分別要識別出數字 0~9 ，因此激活函數選擇最適合用來解決多酚類問題的 soft max。

* **神經元數目**
測試我各種各樣的神經元組合，從中找出表現最為優異的參數組:

* **損失函數**
損失函數的部分，我選擇使用適合多分類問題用的: 交叉熵損失函數，它可以計算預測結果的概率分佈與真實標籤之間的交叉熵損失。可以將訓練以最小化預測結果與真實標籤之間的差異，從而提高模型的準確性和性能。

* **預測結果**
最後將訓練好的模型拿來預測 test_in.csv 的內容，每個軌跡找出最大機率值的 label，並將 label 配對在對應的 ID 上。最後將結果存成 test_out.csv 檔案。

## 結果與討論

這次的作業內容相當有趣，一開始因為對 RNN 不熟的關係，在 input 的處理上沒有用好，卡了一段時間，後來稍微爬一下文後才知道要如何設定 input，知道如何設定 input 後就輕鬆許多，剩下的 code 也快速寫完，最後的成果也相當不錯，達到了 0.98 的精準率，這樣的結果令我很滿意!