我的手寫數字辨識率已經繼續推進到MNIST標準的98.23%了！現在真的很像陷入了膠著的巷戰！每天能提昇的幅度極小，甚至完全停滯！就是逐一檢視辨識失敗的案例，看看失敗的原因，最簡單的處理方式是看能不能刪除導致失敗的那個邏輯條件？如果刪除後得不償失，因此產生更多失敗案例當然就不能刪了！

當然也可以調整辨識條件的參數門檻，或是調整諸多條件使用的先後順序，實在都無法得到更佳的結果時，就要設計家入新的條件了！這些過程也可以套用到機器學習的術語說是在「訓練」我的「模型」！但是我的工作內容具體有意義多了！我真的在研究辨識影像的邏輯，那些ML、DL與CNN的使用者呢？只是在盲目調整自己都不知道有何辨識意義的統計參數而已！

雖然說都是Rule based辨識，我用的方法跟大多數我知道的Rule based方法有很大的不同！多數辨識架構是正面表列的！就是看看建立的特徵與案例的符合程度來加減分，看看把它當作0-9的哪個數字分數最高就是答案了！

但是我採用的方式完全不同！事實上我從頭到尾都沒有建立任何一個案例的加權總分！而是如上圖右方所示，依序假設它是0或1一直到8或9的比較！較「不像」的數字就會逐步被淘汰，直到剩下最後一個選項就是答案了！如上的8就是經過漫長的淘汰賽最後勝出的結果，也符合MNIST提供的標準答案！

可以看出來這個案例本身很破碎，如果要依靠它「像是8」的特徵來計分？分數一定很低！而且各個特徵的總分要如何相加做得非常公平非常困難！所以傳統上計算總加權分數的方式都做得不好！我的構想就是反向思考，顛覆傳統不計算總分，而是讓數字兩兩捉對廝殺！重點是「比較不像」的答案會被先淘汰！好像大風吹的遊戲，搶坐到最後一張椅子的就是贏家了！

為什麼前面幾十年那麼多人使用Rule based的概念做這件事都只能做到60-80%？我卻可以大幅突破？關鍵就是我沒有蕭規曹隨緊跟著前車之鑑！如果很多人做了幾十年都差不多不好，那就是方法概念上必須革命了！所以現在大部分的人都擁抱機器學習去了！但是我不喜歡機器學習「不知而行」的迷糊仗！所以有此大膽的創新，也獲得了不錯的成效！

另一個有趣的聯想是：如果我還在學術界當教授，是絕對不可能這麼作的！因為那時候所有研究工作都會以取得計畫或論文獲得刊登為目標！消極面需要評審專家們看得懂，積極面還要他們認同認可！如此離經叛道的極端創新幾乎是不可能通過審查的！在發想的第一時間就會自我否決了！連試都不會試的！所以現在是自由之身感覺真的是好極了！就是燕雀安知鴻鵠之志的感覺！