Contents ...
udn網路城邦
手寫數字辨識率99.9%!我就是要拿下世界第一!
2026/11/07 03:11
瀏覽686
迴響0
推薦2
引用0

上面是Google AI的最新手寫數字辨識率報告!終於跑出了一個具體的冠軍辨識率99.857%!這馬上就激起了我的鬥志!我昨天的辨識率是99.852%,距離只有一步之遙,哪能不更進一步積極奪冠?於是再打開程式強攻剩餘的數十個昨天尚無法辨識的案例,經過一天半的努力,也真的破解了好多案例!辨識率直接衝上如下圖所示的99.914%!這下可是穩坐世界冠軍的寶座了吧?

覺得我是夜郎自大太過浮誇嗎?那就下載我的展示軟體自己測試吧!它可以一一匯入MNIST(規格)的灰階圖案例做辨識的!我不會作假,也不屑於作假的!

http://www.ezonesoft.com.tw/EzoneSoft_HWdemo.rar

其實因為我是使用明確的規則(Rules)作辨識的!所以對於極端特殊的案例只要努力思考出夠多的細節資訊加以限制,就可以針對性地將困難案例精準掌握辨識成功!相對的DL與CNN的方法都是隔靴搔癢,要透過非常龐大複雜難以掌握的間接統計方式才能提高辨識率。所以只要我的基礎建設做得夠好了,要在這個牛角尖裡面比拚極端的辨識率,無法精準分析掌握個別案例的DL與CNN其實是一定比不過我的!

當然說實話,這種微小也極端的辨識率差異,對於日後實質應用時的辨識能力差異是微不足道的!只表示我們的程式可以辨識出MNIST字集裡面非常詭異不合理的極端案例,但那些都算是隨機誤差了!真實世界剛好會出現那種怪例的機會微乎其微!所以認真比拚這種極高辨識率,真的就是在鑽牛角尖了!就像考試99分的說自己比98分的更厲害?其實沒有!

那我這麼執著爭取世界冠軍的意義何在?首先就是要破除Rule based方法無法達到高辨識率的錯誤觀念!證明設計良好的Rule based方法,絕對可以挑戰,甚至超越深度學習的表現!一旦Rule based做到了高辨識率,就表示我們可以同時享受到高辨識率與高效率,製作出低成本的AI辨識軟體!那才是AI影像辨識的大躍進!

事實上,如我之前一再強調的,在此手寫數字的辨識議題上,98%以上的辨識率其實就算是Overfitting了!根本沒有必要繼續追高!以深度學習的理論上來說,只要使用更多細節特徵(與組合),讓模型複雜度無限擴大,在有標準答案的集合裡,辨識率當然可以繼續挑戰極限!但是使用極高成本,追求極微小的效能提升有必要嗎?

我刻意搶奪這個議題的世界冠軍,只是要踢館衝擊那些認定DL與CNN就是影像辨識唯一主流的AI迷!那絕對是一個錯誤的迷思!Rule based之前表現不夠好,不是這個概念方法本身有問題,只是大家還不夠努力而已!尤其是機器學習盛行之後,幾乎所有人都放棄努力了?不再繼續研究的技術怎麼會進步?現在Rule based方法真的成了辨識率冠軍,你們該怎麼說?還要繼續堅持DL與CNN最棒嗎?

此研究歷程相關文章羅列如下,一般來說這樣一個全新架構的複雜研究議題,如果我還是學界教授,也申請得到計畫經費,至少可以做上三年!過程中為了繼續爭取「研究績效」當然會寫很多論文,至少七八篇吧?因為又要被評鑑,又想升等,還要爭取計畫嘛!但現在我只是想盡快做出實用軟體的商人,就可以用10倍的速度三個月就達標了!可見在學界當教授做研究真的非常沒效率浪費時間。但很現實的是:如果我還在學界應該已經可以藉此拿到計畫甚至獎勵,現在呢?還完全沒有實質回報,要等有需要的客戶青睞才能回收研發成本與心力了!

我們要嘗試做手寫數字的辨識了!

手寫辨識的起點應該是不可忽視的關鍵特徵!

作手寫辨識我會先建立確定不會交叉誤認的快篩流程!

近乎搞笑的手寫數字影像辨識方法研發挺進中!

每個人看的答案都可能不同,你說是幾就算是幾吧!

Rule-based 的手寫數字辨識,兩周就突破九成辨識率了!

我的手寫數字辨識已進入精雕細琢的階段了!

你試過自己創造一個全新的演算法嗎!我常幹這種事的!

每天治好八十多個病人,還有三千多個等待救援!

製作一個手寫數字的實驗介面,感覺就真實多了!

一天內就破萬人次瀏覽?我大概有嚇到不少人吧?

舉個例子讓你體會MNIST資料庫手寫辨識率99%的荒謬

舉個例子讓你體會一下我的Rule-Based手寫數字辨識

這就是我目前做手寫數字辨識的成績單了!

是2?還是3?這是個找碴的遊戲!很好玩的!

無法突破天花板時,就是必須打掉重建的時候了!

我開始理解大語言模型中的AI概念了!

我辨識手寫數字的重要特徵是字形凹凸的轉折點!

歪打正著的高分不是我的目標!機器學習則是不在意的!

堅持用明確邏輯作影像辨識!目標是一般電腦可用的軟體!

達到95%的手寫數字辨識里程碑!恍如我的博士論文翻版?

繼續探索人眼辨識手寫數字的微妙邏輯,好玩到欲罷不能!

這題最合理的答案是8,但是你能說出是為什麼嗎?

手寫數字的辨識邏輯總是有兩難的時候,只能盡力而為!

我把影像辨識深度學習的大亂鬥變成簡單的淘汰賽了!

手寫數字辨識特徵的定性與定量使用同樣重要!

排除其他字的可能之後它就非是5不可了!

見微知著是特徵辨識的奧妙,是2還是5?你不會看錯的!

我的手寫數字的辨識邏輯小孩都能說清楚的!Google AI有在Follow哦!

做Rule-based辨識你必須有道德勇氣說清楚你的原則!

Rule based手寫數字辨識之「通則」與「特例」的洽當組合是推高辨識率的關鍵!

答案不合理,辨識率就沒意義了!成績太好的人其實有病!

Bing AI說Rule based手寫數字辨識已死!我不同意!

Bing AI替我的手寫數字辨識研究成果發號外新聞了!

這應該就是福爾摩斯定律開始發威了!

我終於達到MNIST手寫數字辨識率98%的里程碑了!

你可以下載我的手寫數字辨識展示程式_我說的都是真的!

有關Rule based手寫數字辨識,直接來訪問我就好了!

我的「訓練」方式其實很像高度控制的監督式學習

重點不是它「最像」甚麼字?而是它「不像」其他的字!

見微知著,這樣一個小缺口也是辨識5或6的關鍵特徵!

一天能做多少事?大概是這麼多!

辨識特徵使用的優先次序比加權分數更重要!

我好像發明了一種語言?辨識過程的設計有如寫作文?

你知道他們為何要強調「離線」這個關鍵詞嗎?

這就是一個Overfitting硬抝辨識率的實例,Rule based也可以的!

它一定是個7沒錯!福爾摩斯說的!辨識率挺進到98.8%!

仔細想想這種Overfitting也不會影響大局的!就做了吧?

我的Rule based手寫數字辨識率達到99%的里程碑了!

Rule based絕對是比機器學習更專業的AI技術!

我也進入99%的決賽圈了!或許可以挑戰一下世界冠軍?

手寫數字辨識落實到真實應用之路不只追求MNIST辨識率!

因應模糊破碎的影像,你必須有賭神般捕風捉影的本事!

善用某些特徵的霸王條款很重要!我的辨識率99.51%囉!

你知道Rule based比機器學習模式的效能好上多少倍嗎?

你知道Rule based辨識速度的差異來自「定量」或「定性」使用各種特徵!

你知道Rule basedRule based手寫數字辨識率99.85%,DL/CNN沒比較強!

你知道Rule based我想將這個手寫數字辨識法命名為「福爾摩斯」!

有誰推薦more

限會員,要發表迴響,請先登入