我的猫片识别神经网络会识别错那些图片

A cat recognizer works wrong in which pictures?

忙里偷闲，用几天的时间上完了Coursera的DL的第一课。
虽然之前ML花了差不多10个月学完了，但已经过去一年，能记得的东西实在不多。
这个课程的Project是十分有意思的，一个Cat Recognizer。
Ng说深度学习和Cat有不解之缘，所以我们的Programming Assignment就是这个东西啦！

数据集

第四周Project把整个NN完善了一遍，L层NN，209个训练样例，50个测试样例。每个样例都是64*64的图片
以h5格式导入
图片向量化过程如下

L层神经网络

NN结构如图

相比2层的shallow NN 的100%训练数据准确度和72%测试数据准确度，L层在训练数据上减少了overfitting，只达到98.56%的准确度，但测试数据准确度上升到了80%。
也就是说测试数据50张图片中有10张识别错误，整个网络的识别率算是比较差的了。

但激活函数使用的ReLU和Sigmoid函数，都是较简单的激活函数，能到达这个准确率已经十分好了。

错误识别的图片

最后的optional作业仍然是添加自己的图片进行识别，所以我找了几张有趣的图片来试图迷惑这个神经网络，就图片本身来说，即使是人，也很难说这些图片是不是猫(≖ᴗ≖)✧

• 第一张：FGO玉藻猫初始卡面
  

预测结果：

• 第二张：FGO玉藻猫一破卡面
  

预测结果

• 第三张：FGO玉藻猫满破卡面！
  
  这里出现了奇怪的结果，神经网络认为这张卡面是猫，而前两张都不是( • ̀ω•́ )✧
  预测结果：
  

• 第四张：一只大老虎
  
  预测结果：没有骗到NN
  

• 第五张：一只小老虎
  
  预测结果：成功骗到神经网络(~・ｖ・)~
  

• 第六张：一只小狮子（豹子？）
  
  预测结果：又骗到了神经网络.
  

• 第七张：一个猫形状的毛绒玩具
  
  预测结果：这虽然是一只假猫，但是我觉得这个应该算是猫，毕竟外形很像，所以神经网络的判断不算错误。
  

• 第八张：我的头像
  

预测结果：哈哈，这张图片缺失了猫的最重要特征，耳朵，所以NN认为这不是猫 (滑稽

总结

虽然我没有看209个训练数据，但是也能大概猜出一些重要的feature，当然，我指出的feature是针对我们的视觉而言。
图片有没有猫耳朵是很重要的一个特征!
图片有没有猫肉爪是很重要的一个特征!
图片的动物脸型是很重要的一个特征!
考虑到测试数据的几张猫的图片也识别错误，与猫相近颜色的背景会导致识别错误，图片整体色调对识别结果也有影响。

如果你有更有趣的图片想要试一试，可以在评论留下图片，不定期更新
(>^ω^<)喵