###### tags: `講座`
# CNN 影像辨識工作坊

- 用 CNN 辨識是否是白內障患者的眼睛
- 實作使用 **keras**

## 人工智慧、機器學習、深度學習
- 電腦模擬人類思考
- 機器學習
- 對收集到的資料進行分析
- 輸入一張圖，提取其中的**特徵**
- 經過 classifer(分類器)
- 建出 model
- 做預測
- 中間隱藏層超多
- 可以做非線性規劃
- 深度學習
- 對收集到的資料進行分析
- 只需把照片放入，輸入後，他會自己去學那些**特徵**
- 不用特徵提取
- CNN 屬於神度學習的一種
> DEEP lEARNING 不需要特徵提取， machine learning 要

## 卷積神經網路 CNN
- 卷積層(Convolution)
- 池化層(pooling)
- 扁平層(flatten)
- 全連結層(Fully connection)

### 卷積層
- 圖像透過卷積核會形成一個特徵圖
- 圖像 ⊕ 捲積核 = 捲積後特徵圖
- 捲積核: 為一 n*n 矩陣 (n為奇數)
- n 愈小，提出的特徵愈細緻
- n 愈大，特徵圖像可能會太粗糙
- ==激活函數==
- 特徵通常會是線性，但圖像出來的特徵不太是線性
- 所以用激活讓集中(?)
- 方法:
- sigmoid: 將數值全部轉換成 0 - 1 之間設一個罰值(通常是0.5)，將特徵分為 2 類
- reLU: 把小於 0 的都變 0，大於 0 的維持原本的
- CNN 將特徵提取的部分包在卷積層
- 

### 池化層
- 降維
- 4x4 -> 2x2
- 降低特徵圖片尺寸 -> 數值變少 -> 運算速度變快
- 將較重要的特徵做提取
- 

### 扁平層
- 將二維矩陣拉成一維矩陣，才可以丟入全連接層
- 

### 全連結層
- 又稱密集層
- 包含 **輸入層、隱藏層、輸出層**
- 輸入層的輸出值 = 隱藏層的輸入值
- 做權重、bias 的學習
- 優化器
- `adam`
- 損失函數:算預測值、真實值之間差多少，差距愈小愈好
- 衡量尺度
- 

:::info
#### CNN 的層數設計
- (卷積+池化) * N 層
- N 可以自由設定，通常介於 1~4
- 不斷縮小尺寸得到想要的部分
- 扁平層 * 1 層
- 全連接層 * 1層
- 但裡面還有許多小層
:::
:::warning
需要一直嘗試哪個參數組合最好
:::

## 評估 model 表現
- 混淆矩陣
- TP、TN越大越好 ; FP、FN越小越好
- 
- 
- 指標
- 

rmse mae

## Demo
- 下載程式碼 & 資料集：https://drive.google.com/drive/folders/1qXF5FCyiqVVZM3DEr4TcEIJGmIZzEN56
- 安裝虛擬環境

pip install pipenv 
pipenv shell

- 安裝 package

pip install tensorflow
pip install matplotlib
pip install h5py
pip install SciPy

- 訓練模型

py trainmodel.py

- 預測結果

py predictmodel.py

:::info
- 將 `dataset資料夾` 移動到 `mainCode資料夾` 之下
- 注意程式指定的檔案路徑和真正圖片相同
- `py trainmodel.py`資料夾路徑有誤
- 要測試 `predictmodel.py` 時，手動更改圖片路徑及名稱
:::