MNIST字集中就是會有這種極端的案例！老實說只是墨水用太多寫壞了，但它確實是被歸類(標記)為8的！如果強迫一般人猜是0-9之中的某一個數字，多數人應該也會選擇是8的！按照機器學習的概念就是讓電腦按照人為標記的答案去累積經驗，至於電腦學到的辨識邏輯是甚麼？操作者根本不知道！也無法分析解釋，他們事實上也不想傷腦筋，只要答案對就好了！

這就是我不喜歡用機器學習的原因之一了！簡單說就是不求甚解，只要猜的答案跟題庫的標準答案一樣就滿足了？這是跟我們讀書數十年，事事都希望能完全理解事實與科學原理的習慣與精神是完全背道而馳的！我真的很難心安理得舒適的使用這種方式「研究」影像辨識！這根本不算是研究！只是抓瞎而已！

但是嚴謹的科學態度在此有用嗎？大家以為這麼模糊這麼亂的案例應該無法使用Rule based的概念解題，提出最合理的答案吧？當然還是可以的！只看你願不願意深入思考而已！既然大多數人都會用自己的腦袋思考認定這應該是8，你只要逆向工程整理出大家腦中的思緒邏輯就好了！答案越一致，邏輯就越明顯！

我目前的手寫數字辨識核心就會說它是8！理由是第一個它是實心的，左右彎曲度不大，寬度又很大，細看它的曲度也是符合8字應有的輪廓的，所以不像是個0，反正我有充足的理由可以排除8以外的答案，它很明確應該被辨識為8！絕對不是亂猜的！如果有人質疑我的答案，我可以用程式逐行列舉辨識過程！

這也是我做影像辨識的生意時必須面對的重要議題之一！影像辨識永遠沒有百分之百完美的！我賣這些產品當然不時會被客戶詢問質疑某些辨識錯誤的案例，我必須做出合理的回應！如果是我的程式有BUG，當然就要追蹤改善！如果是真的技術上無法辨識，我也必須替我的程式解釋我的辨識邏輯，以及無法辨識的合理原因！這就是賣影像辨識產品的「售後服務」了！

我們公司可以安然度過這十多年數十種影像辨識專案或產品的研發考驗，沒有被客戶嫌棄，重點就是我們總是可以做出讓客戶滿意接受的售後服務！如果改用機器學習呢？那就是完全不同的故事了！對於客戶來說，他們會覺得我們很笨！甚麼錯誤都推給電腦，也就是老闆與RD對於辨識過程都是狗屁都不懂？我們是無法接受的！我們是非常嚴肅認真的影像辨識專家！

但是要讓這些模糊混亂的案例都有一個盡量合理的辨識邏輯，當然不可能只用一些簡單的正向分類邏輯，就是只要符合某些條件就一定是8！我目前的策略是用反向負面表列的方式！就是用最寬容的條件篩選，列出某個案例在0-9之中可能的數個答案，再用很多細微的特徵條件排除不可能的答案！正如福爾摩斯說的：「當你排除了一切不可能的狀況，剩下的，不管多麼離奇，也必然是事實！」上面的8就是一個這種案例了！

所以辨識手寫數字跟我之前辨識車牌或考卷等等，事實上有標準答案的辨識目標大不相同！手寫字並沒有標準答案！我們只是盡量揣摩趨近大多數人的認知結果而已！所以按此策略建立出來的程式架構與規模都跟以往的經驗大不相同！兩個月不到就累積了近萬行的程式碼！所以我說即使沒賺到錢也會學到很多新知識技術，一定值得的！

目前依據MNIST字集的標準答案辨識率的成績單如上，我只花了一個月就達到94.6%左右的辨識率，但是最近一個月就是在那些模糊地帶中努力找到較可靠的辨識邏輯細節，也思考如何整合這些細節邏輯的衝突妥協方式，譬如我想到一個條件可以辨識應該是4而不是5的條件時，通常4辨識率會提高，但是5的辨識率就會降低，我必須讓這個條件更精準更明確，不會傷及無辜！所以實際的辨識率進展就很慢，一個月只提升了大約1%！目前繼續向96%邁進中！

但重點是那些辨識錯誤的案例中必須沒有明顯的「遺珠」！就是一般人認為可以明確辨識答案的案例一定要有合理的歸屬！如下圖這些較奇怪的5如果辨識錯誤還算可以接受，我目前就是在每次實驗之後在這些辨識錯誤或無法辨識的案例中找到可以拯救的「遺珠」，研究如何讓它們找到最合理的家！

可以想像如上的案例至少有一半以上一般人還是會說答案是5的！我就是希望那些案例可以得到它的歸屬，預期最高辨識率就是97%或98%了！太極端的我就不會窮追猛打了！因為那沒有甚麼意義！MNIST提供的標準答案並不是神諭！只是僅供參考而已！

當然如我一貫強調的！不使用CNN與DL或ML的優勢就是低運算量與高效率！上面的成績單中的Tave:0.79ms就是表示辨識一個28X28畫素案例的平均時間是0.79毫秒！也就是說即使我目前的程式碼已經有九千多行，但它們很像一張複雜的地圖，每次只有執行個別案例適用的部分路徑，不像CNN必須做地毯式掃描，或是深度學習的複雜模型，每個案例都會牽動模型中所有的參數權重計算！所以我的產品當然是完全不需要GPU或邊緣運算設備的！既省錢又省電！