史戴拉寫扣

本篇文章介紹卷積神經網路(CNN)，並實作了一個自定義的 CNN 模型來識別 MNIST 手寫資料集。

一般訓練模型時，會將資料集切割成 3 部份，訓練集(train)、驗證集(validation)與測試集(test)。在訓練階段，AutoKeras 會使用訓練集來訓練模型，並使用驗證集來評估訓練表現。當模型訓練完成，我們就會使用測試集做模型的評估。

在本篇中，我們會介紹該如何準備資料集以及資料夾的結構，以便 AutoKeras 能夠正確地讀取數據。

無論是哪種類型的數據(如數值、文字、圖像、音頻)，在進入機器學習模型之前，這些數據都會經過適當的預處理轉換成數值形式，然後進一步轉換成張量(Tensor)供模型使用。

若在部署 Hexo 時，出現無法打開「fsevents.node」的錯誤，可以試著用以下方式解決。

本系列是這本書「AutoML 自動化機器學習：用 AutoKeras 超輕鬆打造高效能 AI 模型」的學習筆記，並融入了我所補充整理的額外資料。

想了解 AutoML 的主要概念，請看 【AutoML】自動化機器學習 - AutoML入門。而本篇會介紹如何安裝 AutoKeras，並且怎麼用 AutoKeras 來訓練 MNIST 的圖像分類器和迴歸器。

本文詳細介紹了在 Windows 11 上啟用 NVIDIA MX450 GPU 的步驟，包括確認基本軟硬體、安裝 CUDA 和 cuDNN、驗證 TensorFlow 和 PyTorch 是否可使用 GPU。

本系列是這本書「AutoML 自動化機器學習：用 AutoKeras 超輕鬆打造高效能 AI 模型」的學習筆記，並融入了我所補充整理的額外資料。

這篇文章介紹了深度學習(Deep Learning, DL)的基本概念，及神經網路的結構和工作方式。以辨識手寫數字的神經網路為例，說明神經網路如何在不同層生成各種特徵，並最終結合這些特徵來進行預測。

Matplotlib 是一個強大的數據可視化工具，不僅可以用來繪製各種圖表，還能用來繪製複雜的結構圖，如神經網路圖。在這篇文章中，我們將展示如何用 Matplotlib 畫出一個簡單的雙層神經網路。

在 這篇 文章中有提到模型評估時，機器學習中迴歸模型的效能衡量指標是以模型預測結果與實際結果之間的差異來作為評估。常見的迴歸模型效能衡量指標包括均方誤差(MSE)、均方根誤差(RMSE)、平均絕對誤差(MAE)和決定係數($ R^2 $)。

本文介紹機器學習分類模型中的效能衡量指標，重點講解了混淆矩陣(Confusion Matrix)，及其相關的各種效能衡量指標，在 這篇 文章中提到模型評估時，機器學習中分類模型的效能衡量指標是以預測值和實際值的正確程度來作為評估。常見的分類模型效能衡量指標包括預測準確率(Accuracy)、精確率(Precision)、召回率(Recall)、F1 Score 或 AUC。