交通號誌辨識實作
Github: https://github.com/bob800530/CarND-Traffic-Sign-Classifier-Project/blob/master/writeup_template.md
前言
實作這個專題前，可以先想想看，人類是如何用眼睛辨識交通號誌的?
人類的眼睛能夠藉由號誌的形狀、數字、顏色、文字等特徵，去判斷這個號誌究竟代表甚麼意義，那機器呢?
簡介
這個專題中運用到相當多的技巧，來完成機器視覺這件事，除了影像處理外，加入了類神經網路、深度學習、卷積網路等機器學習演算法，為了實踐這些演算法，選用Python對一連串的圖片進行處理，並呼叫Tensorflow函式庫，進行模型訓練。
程式碼講解
Step 0: Load The Data
讀取課程提供的pickle檔，快速的將多張圖片的特徵值、標籤讀入變數之中。
Step 1: Dataset Summary & Exploration
在做訓練之前，先檢視看看，究竟讀了些甚麼資料進來
- 訓練資料 : 34799張 32*32像素的圖片
- 測試資料 : 12630張 32*32像素的圖片
Number of training examples = 34799
Number of testing examples = 12630
Image data shape = (32, 32, 3)
Number of classes = 43一共有43種交通號誌
以下為每種號誌的分布狀況
Step 2: Design and Test a Model Architecture
選擇的模型為Lenet訓練模型
此模型大略上來說可以切成三個部分
- Convolution(卷積): 擷取圖片中的特徵值
- Max-Pool(池化): 降低訓練的資料量，增加訓練的速度
- Dense: 將資料攤成一維陣列，並開始疊代
此模型主要藉由提升訓練的深度來增加模型的準確率，需要做多次的卷積，但為了避免訓練時間過長，需要透過池化，來減低訓練的時間。
Step 3: Train, Validate and Test the Model
確立模型後，如何訓練也是一門學問!一股腦把資料有時並不是個好作法
為了設計出更好的訓練流程，會加入Epoch, Batch, Drop rate
1.Batch
為何不能一口氣將資料丟給模型處理呢?
記憶體的容量可能會不足，因此會把資料切成很多組，依序放入模型中訓練，這個組數就稱為Batch
2.Epoch
提升訓練的次數，可提升模型的準確率，而訓練的次數就稱為Epoch
Training...
EPOCH 1 ... Validation Accuracy = 0.685 Training Accuracy = 0.622
EPOCH 2 ... Validation Accuracy = 0.836 Training Accuracy = 0.801
EPOCH 3 ... Validation Accuracy = 0.887 Training Accuracy = 0.867
EPOCH 4 ... Validation Accuracy = 0.911 Training Accuracy = 0.900
EPOCH 5 ... Validation Accuracy = 0.924 Training Accuracy = 0.920
EPOCH 6 ... Validation Accuracy = 0.929 Training Accuracy = 0.9353.Drop rate
防止過度訓練，會加入Drop rate，每次訓練時，不參考全部的特徵值，避免少數特徵值，就可以決定結果
1. 400 -> 120這個類神經網路，只會留80%的特徵值下來
2. 120 -> 84這個類神經網路，只會留60%的特徵值下來
train_accuracy = evaluate(X_train,y_train, 0.8, 0.6)
Result
經過一連串的訓練後，達到了94.3%的成功率，相當的高!
Test Accuracy = 0.943心得
這個專案在我心目中是最難的一個，要在短時間內將類神經網路、深度學習、卷積網路理論應用在實務上，真的完全費盡我所有下班時間，即使現在已經做完這個Project，理論上仍然還有許多不懂的地方，由此可知，想成為一個厲害的AI工程師，可真是不簡單啊!!!
