機器學習

機器學習，目前當紅的話題，也造就了這張圖，我知道那不是真的，產生器在這裡

今天要說的東西是有關於手機軟體跟機器學習有關的東西。先說說機器學習是什麼好了，機器學習是由英文Machine learning 直接翻譯而來，其中的概念就是把一大堆資料送到程式裡面，然後希望電腦判定出你需要的結果。當然，送進去的資料量越多，判定出來的結果也就相對比較準確。但是機器學習也不是沒有缺點的，第一，他們相當浪費資料。說直接一點就是電腦相對於人腦比較難找出一個我們認為非常明顯的事物，例如說我們判定一張圖是不是臉就非常簡單，但是如果用機器學習來判定的話就會需要大量的圖片，才有辦法的到正常人每天的程度。第二個比較明顯的缺點就是牠們會被所謂的"雜訊"干擾，例如說這如果你在臉上塗一些奇奇怪怪的線條，電腦不會判定為人臉。機器學習目前使用的範圍主要為大量的資料分析跟一些反覆的工作，例如說偵測信用卡真偽，翻譯，廣告，幫忙寫稿，諸如此類的東西，但是他不能做的就是幫我寫這篇部落格。

說完機器學習之後來說說今天的主題，Tensor Flow，他提供一個免費機器學習的平台，如果想要讀更多的話可以去他們的網站。要說Tensor flow 的原因很簡單，因為他們是免錢，加上不是說太難放到軟體裡面，最後因為等一下要說的軟體都是有用他。

基本的介紹到這邊，接下來就直接用範本來講解，這邊用的範例都是來自這個地方，一樣可以自己去下載來玩。主要說的是 TF Classify, TF Detect 跟 TF Stylize，有人問說 TF Speach 怎麼辦？說實在的，我目前也不知道，因為一開就當機了，原因我還不知道，加上我也懶所以就還沒去找原因，但是大概幾天之後這篇會被更新，然後裡面會有說明。

總之，先說說哪三個共通處，三個都是 Tensor Flow應用的產物，主要的運作方式都是用OnImageAvailableListener（他做的事就是每當有圖片進來，踏就會被觸發，然後執行裡面的程式）把相機捕捉到的影像直接傳到他們訓練好的程式裡免進行判別，然後在螢幕上顯示不同的東西。TF Classify 是判別目前相機照到的東西，TF Detect 是把螢幕上看到的人形框起來，最後TF Stylize是把相機照到的東西變成名畫家的風格，這裡先說一下，三個程式都不會認臉，所以如果把TF Stylize 用在人臉上的話結果不會非常好。這樣做的好處我不用說各位大多都猜的到，就是不用按下快門，然後再傳到另一個程式進行處理，理論上比較方便。但是也是因為這個原因（或是手機老了），程式跑的速度非常慢，加上程式判定的速度是跟圖片進來的速度相同。也就代表兩件事，第一，手機鏡頭中只要有些微的晃動，就會造成結果劇烈的改變。第二，就是軟體需要非常頻繁的處理新的資訊，一來浪費資源（因為除非是特殊的需求一秒60張圖片真的有點太多，人的眼睛大約偵測每秒30張圖左右），再來就是會造成整個程式常常卡頓。解決方法就是直接把偵數調到每秒30張圖左右，理論上是可以解決問題的，又或是有一個比較差的方法，就是把圖片切小一點，說第二個方法很爛的原因是他治標不治本。三個程式都看完之後主要學到的東西是不少，雖說是非常基礎的程式，但是主要的概念是有了，但是如果要我現在寫一個出來，我還是不確定我寫不寫出來，日後當然需要更多的練習還有更多的範本。最後附上幾張圖:下圖為TF Classify 難得正常運作中（相信我，上次他把紅蘋果判定為橘子，手判定為海星）

TF Classifies 正常運作

Google 正常運作

對那是產生器做的

TF Detect