我的手寫數字辨識已經推進到MNIST標準的98.576%了！颱風天還是繼續玩這個非常好玩的辨識遊戲，看到有趣的案例借題發揮寫個短文就是我的休息時間了！如上是個我原本完全不抱希望的絕症案例！但是現在卻可以準確辨識為2了！當然MNIST也同意的！

藉此我可以透露一個我的新方法的特色，就是我的辨識原則非常偏向定性而非定量！我想不管是機器學習或Rule based方法的使用者都沒我這麼極端的！譬如看到兩個封閉區間就是明顯的8字的特徵，看到一個神龍擺尾呢？就是很明顯的2字特徵了！

那如果這兩個特徵同時出現呢？傳統學術訓練的想法應該是傾向找出兩者的量化權重，就是嘗試分析哪一個特徵更「顯著」！但其實我不認為人的腦袋會真的這麼運作的！人腦是很厲害，但是精確量化的能力並不太好！所以我認為人腦會根據特徵的衝突性選一個定性上「比較重要」的特徵，而忽略另一個！

上面就是一個很棒的例子！一般人都一定會選擇相信那個神龍擺尾的特徵比較重要！不太可能有人寫8字會畫個大尾巴的！但是當墨水太多筆劃太粗時，寫2是比較有可能產生無謂的封閉區間的！所以兩個特徵根據定性的比較，我的辨識軟體應該相信這是個2而不是8！

關鍵就是我的這個程式中幾乎都是這樣以定性優先，定量為輔的！如果你讀過夠多的相關論文就會知道這真的是非常「離經叛道」！這其實也是機器學習方法最弱的一環！他們就是統計學嘛！所有特徵都必須建立成量化指標！所有決策也都必須依據綜合的量化指標！定性決策是必須依賴科學定理原則的邏輯建構的！機器學習本身沒有這種知識！

所以我的辨識率可以有大突破絕對不是偶然！真的是有非常不同的創新概念在裡面！也因為極少仰賴量化指標，數值計算量就相對很少，一萬多行的程式幾乎都是If…then…else的判斷式，極少迴圈計算！所以速度才會那麼快啊！這是DL與CNN最大的痛點！我就是想盡情地踩他們的痛腳！