TensorFlow +OpenVINO 整合開發(fā)CR-A11-吸納專家直覺的CNN特征提取器

CRA11察顏觀色吸納專家直覺的特征提取器3.如何訓練卷積核4.如何納入專家直覺5.二維(2D)卷積運算6.二維卷積的范例8.范例實現(xiàn)：以護理排班為例9.優(yōu)化模型：使用OpenVINO優(yōu)化器10.測試模型：使用OpenVINO推論引擎介紹特征提取器常見的神經(jīng)網(wǎng)絡結(jié)構(gòu)Feature常見的神經(jīng)網(wǎng)絡結(jié)構(gòu)激活)·這種<特征提取器>,在形形色色的ML模型里，處處可見。例如：特征提取器特征提取器與分類器的組合Encoder2架構(gòu)，其中全局信息被納入從頭開始的局部特征Encoder2充當局部特征提取器，并直接輸入到分類器中。特征提取器與分類器的組合·這文章提到了，本文提出了一種新穎的Encoder1-Encoder2架構(gòu)·其中全局信息被納入從頭開始的局部特征提取過程。特別是，Encoder1充當全局信息提供者，而Encoder2充當局部特征提取器·并直接輸入到分類器中。魯魯它是基于自己的W&B來計算的yy010111010它是基于自己的W&B來計算的ABCEFGHIJKLMN12340100205010020611122278<1>字的相乘求和<4>字的相乘求和9020010222111020010工工作表3作表1工作表4+它是基于自己的W&B來計算的·按下<<1>字的相乘求和>,就針對左上角的圖象，由各YABCDEFGH1JKLMN0123401002065010020611122278<1>字的相乘求和<4>字的相乘求和9020010222111020010它是基于自己的W&B來計算的ABCFGHIJKLN0123401002065010020611122278<1>字的相乘求和<4>字的相乘求和9020010222111020010它是基于自己的W&B來計算的123456789ABC001010111111001010JGJ00200222202<1>字的020222<4>字的它是基于自己的W&B來計算的·按下<<4>字的相乘求和>,就針對左下角的圖象，由各Y嬛們來提取其特征值：ABCDEFGH1JKLMN01234010020501002061112227 <4>字的相乘求和8<1>字的相乘求和90206010222111020010它是基于自己的W&B來計算的它是基于自己的W&B來計算的Y環(huán)特征提取器·Y嬛們提取的特征，成為格格的訓練資料?！ぐ聪?lt;訓練(30回合)>,格格就會自動而迅速地完成30回合的學習流程。訓練完成之后，權(quán)重(W)就更新了?！ひ陨纤?，是特征提取器與分類器的常見組合模式之——環(huán)是<特征提取器>;而格格是<分類器>。復習：卷積運算回顧剛才的例子ABCEFGH1JKLMN0123401002065010020611122278<1>字的相乘求和<4>字的相乘求和9020010222111020010回顧剛才的例子兩兩相乘&求和ABCFGHIJKLNO123401002065010020611122278<1>字的相乘求和<4>字的相乘求和9020010222111020010一維卷積123456789復習：卷積運算復習：卷積運算復習：卷積運算1維(向量)卷積復習：卷積運算123456789FR1BGG00HB0IR0JG0KB1LR1MG0N0B1復習：卷積運算14兩兩相乘4568求和9FR1BGG00HB0IR0JG0KB1求Y(卷積)LR1MG0NB1(123456789HB0IR0JG0KB1LR1MG0NB1復習：卷積運算145689FR1BGG00HB0IR0JG0KB1LR1MG0NB1123456789HB0IR0JG0KB1LR1MG0NB1如何訓練卷積核010111010Y環(huán)-1格格景明T-妊人Y環(huán)-1如何訓練這W值呢?并且表達專家智慧呢?景訓練卷積核復習：光的三原色訓練卷積核復習：光的三原色·計算機就依據(jù)R、G、B三個數(shù)值的大小來表示每一個像素·每一幅屏幕畫面或一張圖片，都是由許多小光點所組成的，其中一個小光點就稱為一個像素(Pixel)。由像素所組成的圖像，通稱為數(shù)字圖像。格式的數(shù)字圖像的彩色采樣點，即是像素。訓練卷積核·每一個像素都具有三個數(shù)值，代表紅光、綠光、藍光的亮度；就是剛才所介紹的RGB三色光。經(jīng)由三色光的疊合來得到各種顏色。ABC1black128,128,1282maroonred3green0,128,0lime0,255,04oliveyellow5navyblue6puplefuchsia7tealaqua8silverwhite9訓練卷積核·以整數(shù)0～255的值來代表小光點的R、G和B的亮度。其中0是最暗·255是最亮。例如，當RGB都是255時·迭合之后就呈現(xiàn)出白光。ABC1black128,128,1282maroonred3green0,128,0lime0,255,045navyblue6puplefuchsia7tealaqua8silverwhite9探索<藍綠相連>的位置訓練卷積核·現(xiàn)在，來設計一個分類器，并進行訓練。訓練卷積核·其中，我喜歡<藍綠>相連。而不喜歡<綠紅>和<紅藍>相訓練卷積核·于是，動手設計分類器，如下：ABCDEFGHIJKLM12RGBRGBTZ30000紅0(不喜歡)4紅0000藍0(不喜歡)5藍0000線1(喜歡)6789WB正規(guī)化訓練卷積核·現(xiàn)在，請您按下<正規(guī)化>,并且按下<學習>。ABCDEFGHIJKLM12RGBRGBTZ3010100紅0(不喜歡)4紅100001藍0(不喜歡)5藍001010綠1(喜歡)6789學習學習分類器分類器訓練卷積核·現(xiàn)在，請您按下<正規(guī)化>,并且按下<學習>。ABCDEFGHIJKLM12RGBRGBTZ3010100紅0(不喜歡)4紅100001藍0不喜蘿5藍001010綠678W9B0分類器分類器訓練卷積核·現(xiàn)在，請您按下<正規(guī)化>,并且按下<學習>。ABCDEFGHIJKLM12RGBRGBTZ3010100紅0(不喜歡)4紅100001藍0不喜聲5藍001010綠678遷移到分類器分類器訓練卷積核·現(xiàn)在，請您按下<正規(guī)化>,并且按下<學習>。ABCDEFGHIJKLM12RGBRGBTZ3010100紅0(不喜歡)4紅100001藍0不喜聲5藍001010綠678M(暈)I數(shù)0I0I00驟(鼎暈業(yè))0罪I0000I(暈業(yè))0工00I0I0LADaDdp0x=np,array([[.0,p0[255,0,0,,「0,0,255,,x/=255t=np,array([0,0,1],dtype=np.float32)wo=[np,array([[0.1],[-0.1][0.1],[0.1]dtype=np.float32),np.array([0準備分類器的訓練數(shù)據(jù)2550]],dtype=np.float32)[-0.1],[0.1]].0],dtype=np.float32)]modold=Dense(0,activation='sigmoid',namp,并且訓練model=Sequential()model.add(d)pile(loss=keras;losse,msE,optimizer=SGD(lr=0.15),metrics=['accuracy'])d.setweights(womodel.fit(x,t,,1000,0)print("B=\n",np.round(b,2))print("\n=\n",np.round(w,2))globalmodelz=model.predictproba(x)zz=np.round(z,3)print("\n--Predict--\n",zz)#------training()predict()上述分類器的訓練結(jié)果：B=W=[[0.027][0.027]探索<藍綠相連>的位置--使用卷積核訓練卷積核1逐步卷積計算236791112逐步卷積Y訓練卷積核·現(xiàn)在就準備對這4個像素進行卷積運算，就能發(fā)現(xiàn)到：在最右方的兩個像素是<藍綠相連>?！ふ埬聪?lt;展開&正規(guī)化>,就從各像素取出其RGB特征，并進行正規(guī)化，得出如下：訓練卷積核·請您按下<展開&正規(guī)化>,就從各像素取出其RGB特征，并進行正規(guī)化·得出如下：123456789G1G10展開&EB0FR1GG0HB0IR0JG0KB1LR0MG1NB0訓練卷積核簡單的分類器·我們?nèi)匀豢梢苑侄蝸磉M行<兩兩相乘&求和>的計算，也就是從左邊慢慢向右邊滑動(或稱卷動),就能一邊滑動一邊進行<兩兩相乘&求和>計算。行<兩兩相乘&求和>而得到Y(jié)[0]值為：-3.8。訓練卷積核ABCDEFGHIJKLMN1逐步卷積計算234RGBRGBRGBRGB501010000101067展開&正規(guī)化89W-2.11逐步卷積(兩兩相乘&求和)Y-3.8(按3次)訓練卷積核123456789ABCD展開&B0RB0R10HB0IR0JG0B1LR0MG1NB0訓練卷積核123456789ABDG1G100正規(guī)化逐步卷積B0GB0G01訓練卷積核項重要的訊息：在第3步滑動時發(fā)現(xiàn)了<藍綠相連>一組像訓練卷積核w=dtype=,-)1.71,-2.21,2.21,-1.61,1.61,-2.11],b=0訓練卷積核進行卷積運算#-------Coinued進行卷積運算defconv():Z=Sigmoid(y)print(np,round(z,2))#-print(nW=訓練卷積核X=[0.1,0.1,,1,0.1,0.]Y=[-3.8-3.83.8]Z=[0.020.020.98]訓練卷積核Z=[0.020.020.98]提取的高階特征訓練卷積核X=[0.1,0.1,,1,0.1,0.]Y=[-3.8-3.83.8]Z=[0.020.020.98]范例：如何納入專家直覺范例：專家直覺·在一個工廠里，有一部機器天天運作中，它會處于3種狀態(tài)之一，分別以RGB顏色代表之。如下圖：范例：專家直覺·每天中午12:00記錄其當天狀態(tài)。當其狀態(tài)為順時鐘、或反時鐘變化，屬于正常變化。如下圖：詳細說明：一部機器會處于3種狀態(tài)，分別以RGB顏色代表之。每天中午12:00記錄其當天狀態(tài)。當其狀態(tài)為順時鐘、或反時鐘變化，屬于正常變化；否則為異常變化(跳機)。如果出現(xiàn)<連續(xù)異常變化>就必須停機檢修。第1天第6天第2天第1天第6天第2天范例：專家直覺·有一位負責檢視機器狀態(tài)的老師傅來了，他一眼就能看出了這部機器·在過去一周(工作6天)里并沒有出現(xiàn)<連續(xù)異常變化(跳機)>的現(xiàn)象。ABCDEFGHIJKLMN0PQRST1第1天第2天第3天第4天第5天第6天2X[]30000000000004567899·運用專家直覺，把它表達于卷積核里：123456789A0000010010人類專家給予的ABCDEFGHIJKLMN0PQRST23000000000000456100001卷積70011008900000·從上圖里的YO[]就可以看出來了：有一個值達到510,代表發(fā)現(xiàn)一次異常(跳機)現(xiàn)象，從紅色狀態(tài)跳到藍色。從Y1[]可以看出來：有一個值是達到510,代表發(fā)元素進行<兩兩相加>計算，而得到z[]·ABCDEFGHIJKLMN0PQRST2300000000000045610000170011008900000相加·人類專家一眼就看得出來：本周沒有發(fā)生<連續(xù)兩天跳機>的現(xiàn)象?！ご鸢甘牵嚎梢缘?。特征),分別看到了一次跳機現(xiàn)象。但是如何看出來是否<連續(xù)跳機>呢?答案是：再進行一次特征提取(卷積)就可以看出來了。范例：專家直覺123456789AB0100100001人類專家給予的ABCDEFGHIJKLMN0PQRST1第1天第2天第3天第4天第5天第6天2300000000000045610000170011008900卷積000117準備卷積運算函數(shù)defgetY(dx準備卷積運算函數(shù)y=np.sum(dx*k)defconv(x,k,stride):xz=x.sizekz=k.sizesteps=int((xz-kz)/stride)+1)y=np.zeros((steps),dtype)foriinrange(steps):dx=x[start:start+kz]y[i]=getY(dx,k)·卷積核的W,直接從專家心中來。x=np,array([255,0,0,0,0,255,0,255,0,0,0,255,給卷積核K0和K1y0=Conv(x,k0,3)print("\nYO=",np.round(y0,2z=np:zeros((y0,size),dtype='int32')foriinrange(y0.size):z[i]=y0[i]+yl[i]kz=np.array([1,1])yz=Conv(z,kz,1)·卷積核的W,直接從專家心中來。x=np,array([255,0,0,0,0,2y0=Conv(x,k0,3)print("\nY0=",np.round(y0z=np:zeros((y0,size),dtype='int32')foriinrange(y0.size):z[i]=y0[i]+yl[i]kz=np.array([1,1])yz=Conv(z,kz,1)·卷積核的W,直接從專家心中來。x=np,array([255,0,0,0,0,255,0,255,0,0,0,255,255,0,0,0,255,0])y0=Conv(x,k0,3)print("\nYO=",np.round(y0z[i]=y0[i]+yl[i]kz=np.array([1,1])yz=Conv(z,kz,1)·卷積核的W,直接從專家心中來。x=y0=Conv(x,k0,3)print("\nYU=",np.round(yU,Z))y1=conv(x,k1,3)y1特征表print("\nYI=",npy1特征表z=np:zeros((y0,size),dtype='int32')foriinrange(y0.size):z[i]=y0[i]+yl[i]kz=np.array([1,1])yz=Conv(z,kz,1)·卷積核的W,直接從專家心中來。continuedx=np,array([255,0,0,0,0,255,0,255,0,0,0,255,x255,0,0,0,255,0])printprintzprintprintz=Conv("\nYO=",np.round(y0,2))=conv(x,k1,3)=np:zeros((y0,size),dtype='int32')forprintprintiinrangeforprintprintz[i]=y0[i]+yl[i]=np.array([1,1])=Conv(z,kz,1)·卷積核的W,直接從專家心中來。continuedx=np,array([255,0,0,0,0,255,0,255,0,0,0,255,255,0,0,0,255,0])y0=Conv(x,k0,3)print("\nYO=",np.round(y0,2))y1=conv(x,k1,3)print("\nY1="z=np:zeros((y0,size),dtype='int32')foriinrange(y0.size):z[i]=y0[i]+yl[i]====兩個特征表Z=[510255255510255]特征表相加特征表相加·發(fā)現(xiàn)了2次跳機最后的特征表·YZ都小于1020,沒有<連續(xù)跳機>的現(xiàn)象最后的卷積表·設計一個分類器，來吸納專家智慧ABCDEFGHIJKLMN012N6RGBRGBTZ3紅0000綠0(沒問題)4S6綠0000藍0(沒問題)5藍0000綠0(沒問題)6綠0000紅0(沒問題)7紅0000藍(跳機)8藍0000紅(跳機)9WB學習紅藍紅藍機臺的各種A13578966正規(guī)化DEDR0綠00WBFG0000GB0000HR0000IG0000N(沒問題)(沒問題)(沒問題)(沒問題)0Z(給標簽)A13578966正規(guī)化R0綠00WBFG0000GB0000HR0000IG0000N0ZABCDEFGHIJKLMN012N6RGBRGBTZ3100010綠0(沒問題)4S6010001藍0(沒問題)5001010綠0(沒問題)6010100紅0(沒問題)7100001藍1(跳機)8001100紅(跳機)9WBABCDEFGH1JKLMN012N6RGBRGBTZ3100010綠0(沒問題)4S6綠010001藍0(沒問題)5藍001010綠0(沒問題)6綠010100紅0(沒問題)7紅100001藍1(跳機)8藍001100紅(跳機)9WB0學習123456789ANS66D紅綠藍綠藍WBER1000100KIJKIG1010G101000B001001R000101G010100綠藍綠藍綠10010T分類器遷移到卷積核0ZABCDEFGHIKLMN0PQRST1第1天第2天第3天第4天第5天第6天230000000000004568W09y123456789Q0RS0TABCDEFGHIKLMN0PQRST1第1天第2天第3天第4天第5天第6天2300000000000045678WB09y123456789Tyy請看看Python程序，來實現(xiàn)上述的情境。defsigmoid(y):return1/(1+np.exp(-y))t=np,array([[0],[0],[0],[0tkkw=Nonekkb=Nonewb=[np,[0.5],[0.1],[-0.1],[np.array([0.0],dtype=np.float32)]pile(loss=keras.losses,MSE,optimizer=SGD(lr=0.15),metrics=['accuracy'])L[7L[7_globalmodeldxx=x[np.newaxis,:dtt=t[np:newaxis,:model.fit(dxx,dtt,1globalmodel,kkw,kkbx=DX/255forepinrange(2000):one_round(x[i],t[i])分類器wo=d.getprint("\n-----training-----")print("W="print("\nB=",np.round(bo,2))y=np.dot(x,kkw)+kkbz=sigmoid(y)print("\nZ=",np;round(z,2)L[7L[7_globalmodeldxx=x[globalmodel,kkw,kkbx=DX/255forepinrangeoneround(x[i],t[i])bo=d.getweights()[1]kkb=np.squeeze(bo)print("\nB=",np.round(bo,2))y=np.dot(x,kkw)+kkbz=sigmoid(y)print("\nZ=",np;round(z,2)準備卷積運算函數(shù)準備卷積運算函數(shù)defconv(x,kw,kb,stride):xz=x,slzekz=kw,sizeforiinrange(steps):start=i*stridei]==x[sa(x,k,k]defconvolution():TX=np,array([255,0,0,0,0,255,0,255,0,0,0,255,255,0,0,0,255,0],dtype=np.float32)tx=TX/255print("\n-----conv-2-")print("Z2=",np.round(z2,2))#.-training()convolution()使用遷移來的卷積核255,0,0,0dtypenpfloat255,0,0,0dtypenpfloatprint("\n-----conv-1-------")專家直接提供的卷積核print("Z1=",np.round專家直接提供的卷積核kwz=np,array[,iJz2=conv(z1,kw2,0,1)print("\n-cntraining()convolution()·發(fā)現(xiàn)了2次跳機W=.[[2.18][-4.78][2.18][2.05][-4.91]·Z2[]都小于1.0,沒有<連續(xù)跳機>的現(xiàn)象--W=.[[2.18][-4.78][2.18][2.05][-4.91]n2深入說明二維(2D)卷積運算123456789AB421C42-12222-1223300左上角部分是AI模型的一些參數(shù)?！ぶ虚g淺藍色部分是卷積運算的數(shù)據(jù)，也就是卷積的對象。·右上角部分(粉紅)是卷積核的權(quán)重。ABCDEFGH1JKLMN0PQR144Kernel(卷積核)2322-12331142-1331251220162201789特徵表(FeatureMap)123456789卷積RaData-12332-133220122012123456789A1卷積2222-12233005·請按下<卷積>,就會進行兩兩相乘&求和：1234567893AB421C422-122222H3300I331121請按下<卷積>,就會進行兩兩相乘&求和：AA222342234&求和0&求和00262781卷積卷積請按下<卷積>·就會進行兩兩相乘&求和：ABCEFGHIJKLMN0PQR44(卷積核)2322-12331142-1331251220162201789特微012卷積3456ABCDEFGH1JKLMN0PQR144Kernel(卷積核)2322233114-1331251220162201789特徵表(FeatureMap)0112卷積3456(Stride)為：1。1234567892·就進行兩兩相乘&求和，茲計算看看：1datasize:44RawDataKernel(卷積核)278兩兩相乘&求和·繼續(xù)會向右滑動1個元素的距離。并進行兩兩相乘&求和：123456789I33112乘&求和：123456789AB42142I331127一步一步地滑，滑到這邊就結(jié)束了：123456789AB4214211Kernel(卷積核)2ABCEFGHIJKL1:442322-123342-13351220162201789ABEFGHIJK1442322-123342-13351220162201789說明：模板的參數(shù)如下圖：1234567892-1H3300I3311Kernel(卷積核)1299說明：模板的參數(shù)目前這個參數(shù)值是：1,表示一次滑動1步，如下圖：目前這K42333303452333303452122-112021620217滑動距離8滑動距離特徵表(FeatureMap)174843更改數(shù)據(jù)和參數(shù)123456789AB422-11-1-11-13-11-1-11-135008700087000690 更改數(shù)據(jù)和參數(shù)123456789AB422C530000G0000H8866I7799J0000更改數(shù)據(jù)和參數(shù)·這時卷積核Size是：2×3,而原始資料Size是：4×5。請按下<卷積>,計算兩兩相乘&求和：123456789AB422530000G0000H8866I7799J0000-16更改數(shù)據(jù)和參數(shù)就向右滑動2個元素，計算兩兩相乘&求和：123456789A2更改數(shù)據(jù)和參數(shù)·由于步長參數(shù)值為：2·就向下滑動2個元素，計算兩兩相乘&求和：123456789卷積-12一步一步地滑，滑到這邊就結(jié)束了：ABCDEFGH1JKLMN0PQR145Kernel(濾鏡)232300870-11-1400870-11-15200690600690789特徵表(FeatureMap)-16-2卷積-1262D卷積的范例·如果這是一個飛機引擎的圖像(照片),如下：R123456789如果這是：飛機引擎的照片123456789LB00MRNG0B0PR00QG00B00123456789使用卷積來掃描照片中的引擎02550兩兩相乘&求和YPR0QG0B0·按下<兩兩相乘&求和>·就會算出Y值為：0。ABCDEFGH1JKLMNOPQRS12RGBRGBRGB300456789使用卷積來掃描照片中的引擎兩兩相乘&求和Y00·剛才已經(jīng)基于人類的知識，來設計出一個卷積核了。數(shù)據(jù)，來進行卷積運算。·請按下<卷積>,就開始進行兩兩相乘&求和的計算：計算：12345一步一步滑動，滑到這里時，其Y值為0。123456789·最后，就可以發(fā)現(xiàn)張照片里的飛機有兩個引擎。123456789·最后，就可以發(fā)現(xiàn)張照片里的飛機有兩個引擎。123456789應用到新的圖像·最后，就可以發(fā)現(xiàn)張照片里的飛機有兩個引擎。123456789應用到新的圖像123456789(2D)一張飛機照片應用到新的圖像89應用到新的圖像·最后，就可以發(fā)現(xiàn)張照片里的飛機有4個引擎。123456789請看看Python程序，來實現(xiàn)上述的情境。defconv2D(dx,k,stridev,strideh,padding):dx=np.pad(dx,[(padding,padding),(padding,padding)],kheight,paddedheight,paddedwidth=dx.shapeConvheight=(paddedheight-kheight)//stridev+1convwidth=(paddedwidth-kwidth)//strideh+1準備卷積運算函數(shù)conv[y][x]=np,sum(dx[y,*stridey:y*stridey+kheight,x*strideh:x*strideh+kwidth]*k).astype(np.float32)人類提供卷積核#--Airplane#--=[]cv=Conv2D(dx,k,padding=0,stridev=2,strideh=6)print("\n--AirplaneImage-1\n")進行__Np.zeros((S,N),dtype=np.float32)foriin,range(S):forjinrange(len(rows[i])):printgrint=conv2D(dx,k,padding=0,stridev=2,("\n\n--AirplaneImage-2strideh=6)\n")讀取第2張圖像數(shù)據(jù)進行應用該卷積核·實際運行，輸出結(jié)果：第1張圖的第2張圖的卷積結(jié)果[11.13.713.711.第2張圖的卷積結(jié)果[[10.9818.2810.913.610.9[8.3(0.)2.8(0.)8.113.58.1(1[11.8.213.610.98.2把專家直覺納入Al里把專家直覺納入Al模型里與過去發(fā)生情況的某些相似點(即相似特征)。眼中，每個情況都是新且獨立的情況。·專家直覺帶給人們瞬間洞察力，也就是鑒往知來的能力。把專家直覺納入Al模型里ABCDEFGH1JKLMN0PQRSTUVWXYZ24黃底=JB=小夜68BC=101代表大夜班。把專家直覺納入Al模型里一眼就能看出這不是一張好的排班內(nèi)容，其憑借的就是專家直覺。將其表現(xiàn)于Al模型里，就能大大提升Al系統(tǒng)的質(zhì)量。探知<花式排班>的特征，表達于Al模型上。把專家直覺納入Al模型里提取特征了。納入到Al模型里。例如，專業(yè)術(shù)語<花式排班>就蘊含了專家智慧。把專家直覺納入Al模型里123456789AT0000000011110110BY環(huán)-2|F0000001000010011G1000111000000000H0100000100110000工00100000100010100001000001000101LLZ護理排班Al模型1代表Bad把專家直覺納入Al模型里·于是專家直覺就成為FX分類器的內(nèi)涵了。·當您按下<訓練>按鈕·FX分類器就開始學習了。·學習之后，這位資深護理的專業(yè)直覺，就成為這分類智慧了。并以權(quán)重來表達這項智慧，如下圖：把專家直覺納入Al模型里ABCDEFGHIJKLMN0PQRS1TZ20100010003010000100401000001代表：OF(休息)501000000代表：BC(日班)600100100代表：JB(小夜班)700010100代表：RA(大夜班)800001100090010001010100001代表Bad101000001001010學習完成!100010000110訓練1500回合1100丫環(huán)-1Y環(huán)-2Y環(huán)-3把專家直覺納入Al模型里X0Whulu0Y環(huán)-1Y環(huán)-2把專家直覺納入Al模型里大Y環(huán)0Y環(huán)-1-3.2-0把專家直覺納入Al模型里大Y環(huán)0丫Y環(huán)-10.62-3.2丫環(huán)-20.58把專家直覺納入Al模型里大Y環(huán)0Y環(huán)-10.62-3.2丫環(huán)-2-0.2965.460.58Y環(huán)-1Y環(huán)-2Y環(huán)-3Y環(huán)-2的R00R000004123456789匯入H1001I0110JJ00000000通道匯合L1001OF00000P1100QS0010TU0100V0000W00000100Y11107.25Z0000AAA00003個Y環(huán)把專家直覺納入Al模型里士的本本月份排班表)。代表大夜班?！ふ埌聪?lt;卷積>,就展開對原始數(shù)據(jù)進行卷積運算，來提卷積的結(jié)果針對第1筆資料3個Y環(huán)的卷積結(jié)果ABCHKLNQW卷積通道匯合-00.6-3.20.45-6.8-4-00.277.25-6.84-3.12.8-40.60.462.58000.980.810.990.810.810.810.810.990.4980.50.030.50.030.030.030.030.5230.531100.520.480.50.030.030.420.490.030.030.0310.989100.000.990.90.980.9910.0110.800.980.90.990.98000.90.990.90.520.020.180.9970.40.490.030.570.03010.930.980.90.990.020.1702828卷積的結(jié)果針對第2筆資料3個Y環(huán)的卷積結(jié)果CDKLNPQVXYZ0卷積通道匯合-3.160.810.030.4200.80.8000000210100000.03000.81120.90.0810.861111110.90.7110.111000.421111000.8110針對第3筆資料3個Y環(huán)的卷積結(jié)果2233雁入卷積 0000通道隨合通道隨合0000000011111112.81111卷積ABCFGHJKLMQR卷積ABCFGHJKLMQR0通道匯合0010.0300Q1011100.0301110.991111110.981000.52010.490100.991卷積的結(jié)果針對第4筆資料3個Y環(huán)的卷積結(jié)果800交由大Y環(huán)匯合特征表這筆有兩處花式排班00000000000000000000000000000000000000000000000000000000000010000000000000000000000000000000000000000000000000000000000000000000000000000交由大Y環(huán)匯合特征表這筆有許多花式排班0000000000000000000000000000000000000001000000000000000000000001000000000000000000000000000000000000000000000000000000000000000000000000于是，得到大Y環(huán)的特征表ABCEFGHIJKLMN0PQR1特徵表(FeatureMap)23415106789匯入特徵表·然后，進行CNN的池化(Pooling)運算，萃取一周內(nèi)是否出現(xiàn)<花式排班>現(xiàn)象。12345678900000000000000000000000000淮入池化后的特征表I0010J00100000K000100L00000000M0001000N0000000000000000把池化的特征表，交給格格ABCDEFGHIJKLMN1NT250003S0004400005C001006378(學習)……………9涯入特徵表把專家直覺納入Al模型里訓練完成·這樣就完成了<排班>CNN深度學習的模型的設計與訓練·目前已經(jīng)完成<排班>模型的訓練階段了。·現(xiàn)在就拿兩位新護士的排班表，來給Al評否有不良的花式排班現(xiàn)象。ABCDEFGHIKLMNPRSUVW1234567-3.38-0.19-3.5格格的預測預測100010(NoGoo工作表1工作表2工作表1工作表2工作表3工作表5把專家直覺納入Al模型里測試結(jié)果·預測的結(jié)果呈現(xiàn)于粉紅色底的部分：·第1位新護士的排班是正常的?！さ?位新護士的排班則并不理想。把專家直覺納入Al模型里更上一層樓·以上的范例，只是展示<特征提取器>的基礎能力：支持基本的分類任務。例如，辨別<好>與<不好>的排班表。·基于這項基礎，未來可以進一步組合AE模型，來進行理想的排班補值(生成),由Al來幫助您做<智慧排班>的工作。·祝福您輕松愉快更上一層樓。范例實現(xiàn)延續(xù)上一小節(jié)的護理排班范例ABCDEFGHIJKLMN0PQRSTUVWXYZ12