上一篇我們認識了 Neural Network，也知道模型所謂的「學習」，其實就是透過一次又一次的預測與修正，不斷調整內部的 Weight 和 Bias

今天終於要真的把 HAM10000 的圖片丟進模型，建立我們第一個圖片分類模型！

不過這次先不急著使用 CNN，而是從最基本的 Dense Neural Network（全連接神經網路）開始

一、先準備圖片

前面我們讀取的 HAM10000_metadata.csv 裡面有image_id，但真正要訓練模型時，我們需要找到這張圖片實際存放的位置
HAM10000 的圖片分別放在：

• HAM10000_images_part_1
• HAM10000_images_part_2

所以先建立每個 image_id 和圖片路徑之間的對應：

image_folders = [
    os.path.join(path, "HAM10000_images_part_1"),
    os.path.join(path, "HAM10000_images_part_2")
]

image_path_dict = {}

for folder in image_folders:
    for filename in os.listdir(folder):
        if filename.endswith(".jpg"):
            image_id = filename.replace(".jpg", "")
            image_path_dict[image_id] = os.path.join(folder, filename)

df["image_path"] = df["image_id"].map(image_path_dict)

這樣原本 Metadata 裡的每一筆資料，就多了一個 image_path，之後可以直接根據路徑讀取圖片。

二、把 Label 轉成模型看得懂的數字

HAM10000 的 dx 就是我們要預測的 Label，但模型最後處理的還是數值，因此我們先將這些文字 Label 轉換成數字

class_names = sorted(df["dx"].unique())
class_to_index = {name: index for index, name in enumerate(class_names)}
df["label"] = df["dx"].map(class_to_index)

類別對應：
{'akiec': 0, 'bcc': 1, 'bkl': 2, 'df': 3, 'mel': 4, 'nv': 5, 'vasc': 6}

三、切分 Train、Validation、Test

接著就是 Day9 提到的 Dataset Split，這次我把資料分成：

• Train 70%
• Validation 15%
• Test 15%

不過 HAM10000 有一個需要特別注意的地方：同一個 lesion_id 可能會有多張圖片，因此這次使用 GroupShuffleSplit，以 lesion_id 作為 Group 這樣做的目的，就是讓同一個病灶的圖片盡量待在同一組，而不是其中一張跑到 Train、另一張又跑到 Test

from sklearn.model_selection import GroupShuffleSplit

split1 = GroupShuffleSplit(n_splits=1, test_size=0.30, random_state=42)
train_idx, temp_idx = next(split1.split(df, groups=df["lesion_id"]))

四、把圖片整理成模型需要的格式

資料切好之後，就可以開始處理圖片，前面 Day5、Day6 已經介紹過 Resize 和 Normalization，這邊我先把圖片統一 Resize 成64 × 64，並且確保圖片是 RGB

img = Image.open(row["image_path"]).convert("RGB") 
img = img.resize((64, 64))

接著轉成 NumPy Array，最後進行 Normalization

img_array = np.array(img, dtype=np.float32)
img_array = img_array / 255.0

這邊每一張圖片最後的 Shape 都會是(64, 64, 3)

五、建立第一個DNN

接下來我們真的建立模型

import tensorflow as tf

# 建立一個循序式神經網路模型，資料會依照設定的順序一層一層往下傳
model = tf.keras.Sequential([

    # 輸入層：每張圖片大小為 64 × 64，3 代表 RGB 三個 Channel
    tf.keras.layers.Input(shape=(64, 64, 3)),

    # 將 64 × 64 × 3 的三維圖片攤平成一維資料
    # 64 × 64 × 3 = 12,288 個數值
    tf.keras.layers.Flatten(),

    # Dense 全連接層，共有 128 個 Neuron
    # 使用 ReLU 作為 Activation Function
    tf.keras.layers.Dense(128, activation="relu"),

    # 輸出層：HAM10000 共有 7 個病灶類別，因此設定 7 個 Neuron
    # Softmax 會將輸出轉換成 7 個類別的機率分布
    tf.keras.layers.Dense(7, activation="softmax")
])

六、Compile：告訴模型要怎麼學

• optimizer：決定模型要怎麼調整 Weight 和 Bias
• loss：計算模型的預測和真正答案之間差多少
• metrics：我們想觀察模型的哪些表現，這次先使用 Accuracy

model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])

七、fit：讓模型真的開始學習

模型會對 Training Data 進行 10 個 Epoch 的訓練，每次使用 32 筆資料進行一次訓練計算

• X_train 訓練圖片
• y_train 正確 Label
• X_val Validation 圖片
• y_val Validation Label

history = model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=10, batch_size=32)

八、Training Accuracy 和 Validation Accuracy

為了更直覺地觀察訓練結果，我把 Accuracy 畫成圖：

結果：
Test Loss： 0.8850919604301453
Test Accuracy： 0.688085675239563

• Training Accuracy 代表模型在 Training Data 上的正確率
• Validation Accuracy則是模型面對沒有直接拿來更新 Weight 的 Validation Data 時，得到的正確率
  之後我們也會利用這兩條線，進一步觀察模型有沒有發生 Overfitting（過擬合）

九、最後用 Test Data 測試

模型訓練完成後，最後再拿 Test Data 得到 Test Loss 和 Test Accuracy

test_loss, test_accuracy = model.evaluate( X_test, y_test )

十、讓模型真的預測一張圖片

最後，我們不只想看 Accuracy，也可以真的拿一張 Test 圖片給模型預測，這時候會得到 7 個 Softmax 數值

prediction = model.predict(X_test[:1])

再使用

predicted_index = np.argmax(prediction[0])

找出最大的數值位在哪一個位置，最後轉回類別名稱：

predicted_class = class_names[predicted_index]
true_class = class_names[y_test[0]]

print("模型預測：", predicted_class)
print("正確答案：", true_class)

我們把 64 × 64 × 3 的圖片 Flatten 成 12,288 個數值，雖然 DNN 可以進行分類，但這真的是處理圖片最適合的方法嗎？