很高興看到Google AI的報告中終於將Rule based方法的辨識率重新加入這個比對表了！幾天前還沒有的！完全只有機器學習的方法！很顯然的就是因為我的98%以上的高辨識率讓Google AI已經無法忽視我的存在了！但是報告中的語氣顯然還是偏袒深度學習，還是堅持說那才是「主流」方法？好像只要我的辨識率壓不過DL，我的Rule based就始終難登大雅之堂？好像土博士就是先天上比不過洋博士？還好我已經很習慣被歧視了！

雖然我知道在實務上追求MNIST為基準的辨識率，只需要大於98%就應該夠用了！更高的辨識率只是看你能刻意附和MNIST的標準答案到什麼程度？對於最終軟體在真實界的辨識率幫助不大，甚至可能有局部的負面作用？但畢竟那也是一種技術指標，最近的研究中，我也發現用我的Rule based方法也一樣可以做這種刻意配合標準答案的設計！或許還比深度學習做得更好？所以到了99%之後我放心做那些特例的調整，辨識率還是繼續提升中。

上面是我目前的進度！好像不太費力就提升到99.2%了！感覺上還可以繼續突破很多案例？做到99.5%好像是沒問題的，如果可以衝高到99.85%就是世界冠軍了！如果可以虛榮一下也不錯的！我目前尚未克服的案例數是336個，我算過要到98.85%就是只能錯63個案例！336-63=273！就試試看囉！

當然還是要強調辨識率的比拚只是爭一口氣！證明Rule based完全不會輸給深度學習！但更具體實質的意義要看上圖中的辨識時間！不管我的辨識率提升到多少，使用Rule based的架構優勢，就是可以還是只用極少的運算量完成辨識！一個案例還是只需0.81毫秒！這一點深度學習就真的跟我完全沒得比了！輸到見不得人了！

下圖就是現在每天陪伴我的實驗介面了！可以一一研究每個案例的辨識過程細節，有了可用的新版就立刻做42000張的整體測試(訓練)，在Debug模式下只需要大約40秒，改用Release模式當然就會縮短到約34秒！所以我的「訓練」過程很輕鬆，一天可以研究近百個案例，作數百次的改版！所以辨識率的推進才會那麼快！而且只是用我自己的一般規格電腦，連多執行緒的平行運算都沒用到！就是只用到CPU的單核心啦！就已經這麼快了！好同情深度學習的使用者，一定會累死了！你們訓練一次要多久啊？還必須買輝達的超貴電腦齁？