今天要繼續講解前一篇未講完的CNN網路的程式碼

一樣先把完整的程式碼貼上來

import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical


(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)


model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
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, activation='softmax'))


model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])


model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_data=(test_images, test_labels))


test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc}')          

上一篇講到圖像通道，數據類別的轉換，這一篇從數據集的標籤編碼開始

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)    //對標籤數據進行one-hot編碼

// to_categorical(train(test)_labels)： train(test)_labels 是原始的標籤數據，其中每個元素代表相應圖像的數字標籤（0 到 9 之間的整數）。to_categorical 函數將這些整數轉換為獨熱編碼，這是一種多類分類的標籤表示方法。
例如，如果原始標籤是 3，則經過獨熱編碼後，表示為 [0, 0, 0, 1, 0, 0, 0, 0, 0, 0]。這樣的表示方法在多類分類問題中非常常見，每個類別都是一個二元（0 或 1）的值。

那獨熱編碼one-hot為何很常見，能夠帶來什麼好處呢?以下是幾點原因

唯一性： 獨熱編碼確保每個標籤的表示是唯一的。在這種表示方式下，每個類別都由一個獨特的位模式表示，並且只有一位是 1，其他位都是 0。這種唯一性使得模型能夠清晰地識別每個類別，而不會混淆它們。
模型的可解釋性： 獨熱編碼使得模型的輸出更容易理解和解釋。每個類別的預測值對應於獨熱編碼中的一個元素，這樣就可以直觀地理解模型對每個類別的置信度。
避免順序偏好： 在一般的標籤表示中，標籤之間的數值可能會被誤解為具有順序性，即使這在實際問題中並不成立。使用獨熱編碼消除了這種偏好，模型不會將數字大小視為標籤之間的相對順序。

model = models.Sequential()  
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
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'))	 //定義CNN模型

//model = models.Sequential()： 創建一個 Sequential 模型，這是 Keras 中的一種基本模型，允許按照順序一層一層地添加神經網路層。
//model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))： 添加第一個卷積層。這層具有 32 個濾波器（filters），每個濾波器的大小為 (3, 3)。使用 'relu' 作為激活函數，並指定輸入形狀為 (28, 28, 1)，這表示輸入影像的大小是 28x28，通道數為 1（灰度影像）。
ReLU(Rectified Linear Unit) 激活函數是一種常用的非線性激活函數

即，對於輸入 x，如果 x 大於零，則輸出為 x；否則，輸出為零。

//model.add(layers.MaxPooling2D((2, 2)))： 添加最大池化層，這有助於減小特徵圖的空間尺寸，同時保留最重要的特徵。這裡使用 (2, 2) 的池化窗口大小。
//model.add(layers.Conv2D(64, (3, 3), activation='relu')) 和model.add(layers.MaxPooling2D((2, 2)))： 類似於第一個卷積層和池化層的組合，但這次使用了 64 個濾波器。

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))    //定義CNN模型

//model.add(layers.Flatten())： 添加扁平化層，將之前卷積和池化層的輸出攤平為一維向量，以便進入全連接層。
//model.add(layers.Dense(64, activation='relu'))： 添加全連接層，有 64 個神經元，使用 'relu' 作為激活函數。
//model.add(layers.Dense(10, activation='softmax'))： 添加最後一層全連接層，有 10 個神經元，對應於 0 到 9 的數字類別。使用 'softmax' 作為激活函數，這將輸出一個包含每個類別概率的概率分佈。
softmax 激活函數通常用於多類別分類問題的最後一層全連接層。softmax 函數的主要作用是將模型的輸出轉換成一個概率分佈，使得每個類別的輸出都在 (0, 1) 的範圍內並且總和為 1。

下一篇會從模型的編譯開始講~