深度學習：使用 MNIST 實作 CNN 數字辨識
人工智慧 (Artificial Intelligence, AI)，這個名詞一直是大家對於科技的想像，希望電腦能像人類一樣聰明，其實，AI 已經充斥在我們生活中；而現今的代表技術正是機器學習 (Machine Learning)，而眾多機器學習演算法中，深度學習 (Deep Learning)，是近期大放異彩，成長最快的技術。 深度學習的應用中，可以大致區分兩大類： 一、使用影像資料進行分析的卷積神經網路 (Convolution Neural Networks, CNN) 二、用自然語言資料進行分析的遞歸神經網路 (Recurrent Neural Networks, RNN) 其中使用影像作為學習資料的 CNN，應用範圍最廣泛，幾乎各個領域都能看到它的蹤跡，再加上現在有許多工具或是開源軟體套件降低開發門檻，讓我們要進入 AI 的世界變得更容易，而且許多教學也都是從 CNN 開始入門，因此本文從最基本的數字辨識開始說起，這在深度學習領域來說可是像 Hello World 的存在呢。 本文將會提到 tf.keras 環境建立 MINST 資料集 CNN 模型講解 數字辨識的測試結果 其實關於 CNN 模型我已經在碩士班期間實作很多遍了，也做過更複雜的模型，這篇文章主要目的，是將之前一些經驗記錄下來，也會重新紀錄一下自己參考的東西，畢竟越久沒碰越容易忘記，順便紀錄一下可能會遇到的坑，這樣之後如果有需要重新開啟人工智慧的項目，至少還有東西可以參考，不用從頭去啃別人的文章。 環境建立 (假設有 GPU 的情況) 1. 安裝 Anaconda/Miniconda 我自己使用 Python 已經習慣用 Anaconda 了，最主要是因為它在管理各個虛擬環境實在太方便了，再加上我常常會在同台電腦同時搞好幾件事，這樣將各個環境獨立區分開來也讓我好管理。 (安裝時記得要加入環境變數，這樣使用 CMD 就能用 Conda 指令了) 2. 建立支援 GPU 的開發環境 (CUDA & cudnn) 通常最多坑都是出現在這邊，因為這邊必須考慮到 Tensorflow 及 Nvidia 的 Cuda 函式庫的版本，若是沒有對到可是會出大事。 為了能確實將環境裝好，我會先去看 官網安裝說明 ，確定所需要的版本再去下載 CUDA 及 cudnn，這邊基本上可以直接用 Google 搜...
