前面幾天，我們已經把資料準備得差不多了，從認識 HAM10000、觀察 Class Imbalance，到把資料分成 Train、Validation 和 Test，接下來終於可以開始進入「模型」的部分。不過在真的建立模型之前，
我一直很好奇一件事：我們把一張圖片丟給模型，它到底是怎麼從圖片裡學到東西的？

我們常常會說「讓 AI 看很多圖片，它就會慢慢學會分類」，但 AI 並不是真的像人一樣用眼睛觀察圖片，對電腦來說，圖片最終還是前面介紹過的一大堆 Pixel 數值，那它到底怎麼從這些數字，最後判斷出這張圖片屬於哪一種病灶呢？這就要先從 Neural Network（神經網路） 開始認識

一、模型學習需要什麼？

假設我們要教模型辨認 HAM10000 的皮膚病灶，首先需要兩個很重要的東西：

Feature（特徵）和 Label（標籤）

Feature 可以先理解成模型拿來進行判斷的資訊，以前面的圖片來說，圖片中的 Pixel、RGB 數值都是模型可以取得的影像資訊，而 Label 則是這筆資料真正的答案

以我這次的資料為例，Label即為dx欄位，我們希望輸入一張圖片給模型，模型能夠輸出正確的類別，而在訓練模型時，我們會把圖片交給模型，同時也告訴它正確答案，模型就是透過一次又一次的預測與比較，慢慢學習

二、什麼是 Neural Network？

Neural Network（神經網路）是一種由許多 Neuron（神經元） 組成的模型，這裡的 Neuron 並不是真的生物神經細胞，而是一個負責進行計算的單位

每一個 Neuron 會接收前面的數值，經過一些計算後，再把結果傳給下一層，當大量 Neuron 一層一層連接起來，就形成了 Neural Network

三、Neuron 到底做了什麼？

假設某個 Neuron 收到三個數值：x₁、x₂、x₃
它不會只是把三個數字直接加起來，而是每個輸入都會搭配一個 Weight（權重）：
x₁ × w₁
x₂ × w₂
x₃ × w₃
接著再把結果加起來，並加入一個 Bias（偏置）：

其中 x 是輸入資料、w 是 Weight，而 b 就是 Bias

Weight 可以理解成模型目前認為「這個輸入有多重要」的數值，而 Bias 則是一個額外的調整值，讓模型的計算可以更加彈性，Weight 和 Bias 都是模型在訓練過程中會不斷調整的參數

四、還需要 Activation Function

Neuron 計算完：x₁w₁ + x₂w₂ + x₃w₃ + b 之後，通常還會再經過一個 Activation Function（激活函數）

Activation Function 可以先簡單理解成對 Neuron 算出來的結果再進行一次轉換，讓 Neural Network 能夠學習更複雜的關係

例如之後建立模型時很常看到的 ReLU 就是一種 Activation Function，他的概念是：

• 如果數值 > 0 → 保留
• 如果數值 ≤ 0 → 變成 0

五、那 AI 到底「學」了什麼？

假設模型第一次看到一張真正 Label 是 mel 的圖片，當模型猜錯時，模型會計算「他的預測和真正答案差多少？」，接著根據這個錯誤去調整 Neural Network 裡面的 Weight 和 Bias，再繼續看下一批圖片

所以我們平常說的「模型正在學習」，其實背後發生的是模型透過大量資料反覆預測，根據預測錯誤不斷調整 Weight 和 Bias，逐漸找到能夠正確分類資料的參數

這樣我們就開始知道，模型並不是突然看懂了一張圖片，而是在大量的數值計算與參數調整中，逐漸找到可以幫助它完成分類的規律，不過這時又出現新的問題：

一張圖片裡有這麼多 Pixel，如果全部直接丟進一般的 Neural Network，真的適合嗎？
下一篇就可以從這個問題開始，看看為什麼處理圖片時，大家經常使用另一種特別的神經網路——CNN（Convolutional Neural Network）