1. 目的：
- 使電腦有能力判別手寫數字圖片，代表的數字為何，評判標準為繳交測試資料預測結果，在kaggle系統上與正確答案計算準確率。
- 此競賽目的為建立一個系統，可以讓電腦自動判別目前圖片代表哪個數字，此系統輸入為灰階像素矩陣，輸出為單一數字。
- 建立此系統總共需要兩份資料，訓練集(trainx,trainy)建立系統，找出系統所需的參數，測試集(test)為建立好系統後，將測試集資料輸入，生成出預測資料，並繳交到kaggle平台上。
2. 方法訓練原理：
本次選用的系統為Neurak network(類神經網路)的訓練架構 ，因此主要目的為尋找Neural network每層轉換所需參數。
3. 資料前處理所用到的技巧：
- 資料為了增加其變化性，變化性增加可以使模組有能力偵測更多樣化的測試資料，使用到keras.preprocessing.image 中的image generater，此模組可以調整影像旋轉，平行位移等功能。
- 在這個分類問題中，也發現為了增加預測準確率，常用到的方法為將類別標籤做onehot encoding，即將類別用010000..形式表示，上升了類別標籤的資訊量，訓練模型會預測出每個類別的概率分布，再取出哪個類別為最大值的類別標籤。
4. 程式執行架構：
資料前處理：
- 資料檔案讀取使用到pandas模組。
- 將訓練及資料分割開類別標籤: train->trainx,trainy，trainx為模組放入的資料，trainy為預測label。
- trainx 做上述提到的image generater，選轉，平移的處理。
- trainy 做onehot encoding。
訓練模組：
- 定義要用到Neural network 訓練架構，因此先初始化一個變數為sklearn keras中的Neural nerwork 類別。
- 定義Neural network每一層的轉換要是甚麼轉換。
- 定義Neural network在參數優化時，損失含數即參數優化方式要用到哪一種方法。損失含數在分類為題中通常定義為 entropy，參數優化方式為此文件下方提到的微分方程方法(gradient descent)。
- 將trainx,trainy資料方式模組中開始用迭帶方法訓練，要開始尋找每一層轉換的參數為何
模組預測測試集資料
測試集資料繳交
5. 作品成果：
→ 此步驟為定義每一層network的轉換為何，Conv2D代表2D捲積運算，Dense 代表矩陣線性轉換，flatten代表將矩陣變成一維，maxtpooling為只保留最大值，batchnormalization為將矩陣做正規化
→ 將訓練集拆分一部分為驗證集後，將訓練集影像作增強(加上位移、選轉)，增加訓練效果。
→ 使用模組的.fit函數開始訓練
6. 飯粒的總結：
窩想不到^^b
等一下再寫