電腦如何思考？——類神經網路
什麼是類神經網路？ 資料的輸入與輸出 輸出機率值
資料搜集 訓練類神經網路 貓狗圖片分類
輸入像素資料 類神經網路的數學方法 健康評分系統
貓狗圖片分類
在前兩個章節，我們學習到資料搜集與訓練類神經網路，
並且在課堂當中，也討論了許多相關問題，像是資料搜集的數量會如何影響訓練成果？
資料搜集的人將資料分類寫錯會造成什麼？類神經網路在每次迭代中依照什麼調整權重？
如果這些概念你還不熟悉的話，可以回到前面的單元再複習一下，
因為接下來我們會越來越深入討論類神經網路這個課題，請繼續加油！
在本章節當中，我們將運用訓練好的類神經網路，分類訓練資料集中沒有的圖片資料，
也就是說，類神經網路透過我們給它的訓練資料集，學到貓與狗的判斷方法，
如此一來，我們就可以用它來識別一張照片是貓或是狗。
不過，這一切其實沒有這麼理想，在你操作完之後，我們還是需要討論一些問題。
此張圖片是狗的機率y1 : 0
此張圖片是貓的機率y1 : 0
(
試著將下方的圖片拖曳到上方的藍色框框中，並按下「輸入照片」)
(每次只能輸入一張圖片，所以更換圖片時，記得將上方藍色框框中的圖片放回下方)
思考一下，回答問題
問題一
在測試類神經網路的中，有些圖片輸出的機率值，似乎無法明確地分類，
為什麼這些圖片所輸出的機率會這樣呢？是這些圖片有什麼特色嗎？
問題二
如果回到資料搜集的步驟或是類神經網路訓練的步驟，
你覺得可以做什麼調整(例如：圖片數量、圖片代表性、迭代次數等)，
讓類神經網路的判斷更加精確？
問題三
剛剛所訓練的類神經網路，是在分類貓的圖片與狗的圖片，
如果我們在資料搜集的時候，放入了一個不是貓也不是狗的圖片，
對類神經網路會有什麼影響嗎？(假設我們丟一張天竺鼠的照片)
重點總結
在本章節中，我們了解到訓練完成的類神經網路可以如何運用，
將一張圖片輸入進類神經網路，它能夠幫你算出機率值，
進一步將圖片分類，這就跟我們日常生活中的人臉辨識非常貼近。
我們也討論了有關輸入資料的問題，也許我們能進一步思考，
如果一張照片，或是任何類型的資料，我們自己就難以判斷分類，
那這樣的分類問題對類神經網路來說，會不會也是困難的問題呢？
回到最上方