###### tags: `實驗室課`
# Keras
## 人工智慧
- 可以自主學習 -> 怎麼讓它自己學習
- 符號邏輯
- 把人的思考邏輯手動放進電腦
- 專家系統
- 把人的專業知識手動寫成規則放進電腦
- 人工智慧
- 人的學習行為放進電腦
- 由領域專家提供專業資訊，讓電腦**自己**歸納邏輯
### 機器學習
- 自己輸入特徵
- 需要輸入 label
### 深度學習
- 人只要丟入資料、祭器就可以自己歸內出規則
### 專有名詞
#### 人工智慧
- 一種可以「感知、學習、推理、協助決策」，採取行動並解決問題
- 應用

#### 大數據
- 巨量資料，是專家經驗的量化資料
- 有哪些方面/資料型態
1. 數值：數值預測
2. 文字：翻譯、文本摘要擷取
- 聊天機器人、廣告推薦系統
3. 圖像：影像辨識
- 人臉辨識、自動駕駛
4. 音訊：語音助理
- apple siri
#### 機器學習
- 資料分析方法，專家定義規則，電腦修正規則
#### 深度學習
- 機器學習的分支，把大數據丟進電腦，電腦自己找出特徵與規則

## 常見人工智慧問題
### 分類回歸 Regression
- 連續值 **預測** 連續值
### 分類 Classification
- 將資料歸內為某種類
- 分出來的群體會給他一個類別名字
### 分群 Clutering
- 將資料依照特性分成多個群體
- 分出來的群體沒有 Label

## 捲積類神經網路
### 捲積
- 照相出來是 3 維矩陣 RGB
> 0 * (-1) 為什麼是 -100?
> 我剛剛也在納悶，但我想應該是他加快了相乘的過程
> 就是我們慢慢往右移，相乘後相加，會有-100=100*(-1)
> 喔喔原來
- 邊邊沒有質量
-
### filter
### 突出點
- 特別強調中間的點
### 突出線
### 突出邊
- 梭博邊偵測
- 
- 把 b 和 c 合起來

### Pooling Layer 池化層
- Max pooling最大池化
- Min pooling最小池化
- 因為一般照片都是幾千萬畫素，但運算時不需要那麼多資料
- 目的:壓縮圖片畫素
### 全聯接層
- 2 維變 1 維
- 乘上權重

## 其他
- 殘差 是 每一個點到線的差距
- 誤差 是 殘差相加後的平均

## 深度捲積神經網路
- 很複雜很多層
- 捲積層層數和池化層層數那些組合效果最好
### AlexNet
- 架構
- 5 層捲積、3個池化
- 優點：可以重複檢視特徵，避免有特徵漏掉，特徵會愈來愈完整
- 池化層 → 用平均的方式表示
- 因為怕某一區的特徵，可能某一個特別大，但是其他都很小，如果只取最大的當代表，可能會有些不合理
- 激發函數
- Sigmoid:二分法
- ReLU:數字愈大機率愈大，骰骰子
- 比 CNN 多了好幾層
- 準確度比 CNN 高?
- 不一定
- 模型不是越複雜越好，越複雜可能容易 overfitting，造成辨識誤差越大
- 一般數字辨識用 CNN；人臉辨識用 Alexnet

## Q&A

- Q bias是甚麼?
> 例如有一個攻勢ax + b ， b是 bias
> bias 不會納入計算?
> 我好像記得老師說要的樣子?
> 還是那個是基因演算法?

- Q 如果有多個 filter 要如何處理?
> 假設有 36 個 filter，就會運算 convolution 產生 36 個結果，選出比較好的 filter 進行運算， model 也會自己訓練 filter 進行運算

- Q filter 和 flatten後的神經網路 是機器自己學習出來的嗎?
> 對，CNN會自己訓練權重

- Q confusion matrix是甚麼

- Q:若訓練結果不好，可以調整哪邊?
> A:
> 1. 調整資料集：如果便是失敗的圖片對辨識目標無關，可以刪掉它 (移除異常資料)
> 2. 判斷訓練不好的圖是不是數量不夠多(數量越多，判斷越精準)

- Q 為甚麼不直接調整原本模型?
> A
> 70% 前處理 30% model
> 調整 model 的進步幅度通常都不大，所以通常都是先調整訓練集
> 例如:
> 資料調整: 進步幅度 80% → 95%
> 模式調整: 進步幅度 80% → 82%

- Q 什麼時候停下訓練
> A
> 進步幅度 < 10^-4
> 交集點 -> 但是要另外寫程式停下來 我的圖片出不來
> 避免 overfitting
> ![Uploading file..._g3f165o9w]()