我想先回來介紹一些深度學習框架好了，
非類神經的演算法也可以被歸為AI，
但是神經網路的深度學習算是兵家必爭之地。
假設去應徵要當一名AI軟體工程師，應該不會pytorch，也要會tensorflow吧。

圖片分類算是學深度學習時，
一定會碰到的基礎功能。

下面先分享tensorflow官網基礎教學的使用方法:

參考網站
https://www.tensorflow.org/tutorials/images/cnn?hl=zh_tw

安裝

pip install tensorflow

引入模組

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

資料集為cifar10，總共有10個類別，有卡車、船、飛機、馬、青蛙、狗、鹿、貓、鳥、汽車、飛機，
每個類別有6000張圖片，在load_data的時候，就幫我們切分好了訓練集及測試集，
而每一張圖，為numpy array的格式

(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

用list來對應答案與順序

class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
               'dog', 'frog', 'horse', 'ship', 'truck']

將像素 Normalize變成介於0-1的數值，以降低計算複雜度

train_images, test_images = train_images / 255.0, test_images / 255.0

建設模型之前，也可以先查看一下原始資料

plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i])
    # The CIFAR labels happen to be arrays, 
    # which is why you need the extra index
    plt.xlabel(class_names[train_labels[i][0]])
plt.show()

再來是model的建立，採用的是官網使用的CNN:

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))


model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

開始訓練，設定為5個epoch:

history = model.fit(train_images, train_labels, epochs=5, 
                    validation_data=(test_images, test_labels))

評估模型，查看損失函數與準確度:

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

print(test_loss)
print(test_acc)

作圖看，可以查看訓練狀況，以及有沒有過擬合的情形:

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')

可以發現在這樣的設定之下，準確度不超過70，
因此我想使用autoML的套件autokeras來測試看看，
如果讓程式以往格搜尋的方式自行搭建模型，是否能提升準確度。

由於autokeras使用的是tensorflow 2.5，
所以我使用colab來執行程式(可以在工具區 鍵盤快速鍵設定喜好的快捷鍵):

使用依樣的資料集，一樣用5個epoch

可以發現運行了很久，可惜準確度無法有效提升:

我還記得我畢業專題是用幾百張 積雨雲、層雲、捲雲來做分類，
是希望以雲的形狀來即時預測天氣，準確度是還可以，是因為一開始挑選的圖片差異就很大。
但是如果將模型放入樹梅派，然後放入溫室來拍攝天空就不知道效果如何(先不說準確度了，樹梅派耐的了高溫嗎?)。

有機會的話，大家也可以搭建看看圖片分類的模型，
看能不能有人能搭建出查看牛排幾分熟的模型。
(不確定用物件辨識會不會更好做，但我從外觀來看，主要是顏色的差異)