前言

再往下探究之前，我們輕鬆一點，先作點實驗，驗證上上篇的程式辨識準確率是否真的那麼高? 可否在應用系統上使用? 譬如，阿拉伯數字辨識率如果那麼高，我們是否可以提供手寫板，讓用戶直接輸入，用於輸入密碼、開鎖、填寫問卷、考試答題...等等。

另外，在實驗之前，我們先討論一些 Keras 小技巧，讓我們在開發程式時更有效率，包括：

1. 模型存檔
2. Keras 組態
3. 資料集(Datasets)
4. Keras事先訓練好的應用程式(Applications)

模型存檔(Persistence)

模型訓練完畢後，結果如可接受，可以將模型存檔，下次要再測試時，就可直接載入，不需重新訓練，模型的資訊包括結構及訓練出來的權重(W)。

1. 模型結構存檔：以下程式將結構存到 model.config 檔案，檔案為JSON或YAML格式。

from keras.models import model_from_json
json_string = model.to_json() with open("model.config", "w") as text_file:    
text_file.write(json_string)

2. 權重(W)存檔：以下程式將權重存到 model.weight 檔案。

model.save_weights("model.weight")

3. 同時儲存結構與權重，檔案的類別為HDF5。

from keras.models import load_model

model.save('model.h5')  # creates a HDF5 file 'model.h5'

模型載入

之後，我們要使用時，可輸入下列程式碼，載入模型結構及權重(W)。

import numpy as np  
from keras.models import Sequential
from keras.models import model_from_json
with open("model.config", "r") as text_file:
    json_string = text_file.read()
    model = Sequential()
    model = model_from_json(json_string)
    model.load_weights("model.weight", by_name=False)

或者直接載入HDF5檔案

from keras.models import load_model

# 刪除既有模型變數
del model 

# 載入模型
model = load_model('my_model.h5')

Keras 組態

1. Keras 組態檔名稱為 keras.json，會儲存在使用者資料夾下的『.keras』子目錄。
2. 如果你下載Keras事先訓練好的應用程式(Applications)，它就會放在使用者資料夾下的『.keras\models』子目錄。
3. 如果你下載Keras的資料集(Datasets)，例如，之前程式下載 MNIST 阿拉伯數字資料集，它就會放在使用者資料夾下的『.keras\datasets』子目錄。不用 (X_train, y_train), (X_test, y_test) = mnist.load_data()，要直接開啟檔案，程式碼如下：

f = np.load(get_file("mnist.npz", origin="~/.keras"))
x_train = f['x_train']
y_train = f['y_train']
x_test = f['x_test']
y_test = f['y_test']
f.close()

如果，直接從網路下載，可改為

f = np.load(get_file("mnist.npz", origin="https://s3.amazonaws.com/img-datasets/mnist.npz"))

Keras事先訓練好的應用程式(pre-trained Applications)

Keras提供幾個事先訓練好的經典應用程式，不必重新訓練，可直接套用，請參考官方文件，使用方法如下：

from keras.applications.vgg16 import VGG16
from keras.applications.vgg16 import preprocess_input
import numpy as np

model = VGG16(weights='imagenet', include_top=False)

官方文件找不到詳細用法，我花費好一番功夫才弄懂，後面談到 CNN 會詳細介紹，敬請期待。

資料集(Datasets)

Keras提供幾個現成的資料集，可作為訓練/測試資料，，請參考官方文件，包括手寫數字、分類圖片、影評、新聞、... 等。也可以自其他網站下載，例如，你覺得辨識0~9不過癮，也想辨識 A~Z, a~z，可至這裡下載。

實驗

我用C#寫了一個Draw.exe 小程式， Source Code 放在這裡，可以使用滑鼠，書寫數字，並將它存成與MNIST類似的格式(.csv)，再用Python程式載入，依照訓練出來的模型測試是否可以辨識，步驟如下:

1. 執行 Draw.exe，書寫 0~9，並存成 0.csv, 1.csv ..., 9.csv。
2. 在DOS下，執行 python 0_1.py，假設此程式與*.csv放在同目錄。
3. 可以看到10個數字的辨識結果，如果都正確，那就恭喜你了。

圖. 手寫數字 9 的比較，左為 MNIST， 右為筆者以 Draw.exe 手寫的數字

結論

筆者反覆測試多次，發覺測試結果並不如MNIST測試資料那麼準確，正所謂『盡信書，不如無書』，原因如下:

1. 觀察原圖，MNIST資料應是請測試者在紙上書寫，再掃描進電腦，因為，原檔如下，有毛邊。
2. 使用Draw.exe書寫與MNIST有差異，造成辨識率不佳。

另外，訓練出來的準確率均達85%，甚至95%，乍看很高，但仔細想想，如果是應用在銀行存款數目的辨識，使用者輸入10位數，只要一個數字錯，銀行老董可能就要崩潰了，反之，用在遊戲中，使用者可能會讚聲連連，驚嘆不已，所以，Machine Learning 的應用還是必須考量使用的時機與應用場域，才能贏得掌聲。