在 上一篇 中，我們學會了如何讀取並操作影像矩陣。但要讓電腦真正「看懂」圖片裡是什麼，我們就需要請出深度學習的主角：卷積神經網路 (CNN, Convolutional Neural Network)。

這篇文章將透過經典的 MNIST 手寫數字資料集，紀錄訓練出人生第一個影像辨識模型的完整流程。

一、資料前處理：把圖片變成神經網路喜歡的樣子

在把圖片餵給 PyTorch 模型之前，我們需要使用 transforms 進行兩項關鍵轉換：

  1. ToTensor()：
    • 在 Part 1 我們提過，一般圖片的像素值是 0 到 255 的整數 (uint8)。但神經網路更喜歡處理「小數」。這個指令會自動將圖片轉換為 PyTorch 的張量 (Tensor)，並把數值壓縮到 0.0 到 1.0 之間。
    • 順帶一提，PyTorch 的通道順序跟別人不一樣，它會把 H $\times$ W $\times$ C 轉換成 C $\times$ H $\times$ W。
  2. Normalize()：
    • 將數值進一步依照資料集的平均值與標準差進行平移與縮放，讓資料分佈更均勻，這能幫助模型在訓練時更快收斂 。

二、CNN 模型架構：特徵提取與分類

在這支程式中，我們定義了一個名為 SimpleCNN 的網路，它可以分為兩大部門：

  • 卷積層 (Conv Block) ─ 負責「找特徵」： 利用 nn.Conv2d 在圖片上掃描，尋找邊緣、線條或特定的形狀。接著透過 nn.MaxPool2d (池化層) 將圖片「縮小」（例如從 28x28 變成 14x14）。這樣不僅能保留最重要的特徵，還能大幅減少運算量。
  • 分類層 (Classifier) ─ 負責「下結論」： 經過卷積層提取後，我們會得到高維度的特徵圖。這時必須用 nn.Flatten() 將它「攤平」成一維陣列，最後交給全連接層 (nn.Linear) 來投票，決定這張圖片到底是 0 到 9 中的哪一個數字。

三、神經網路的修練：訓練迴圈

深度學習的訓練，其實就是不斷重複以下四個神聖的步驟：

  1. Forward：outputs = model(images) 讓模型猜猜看這批圖片是什麼數字。
  2. Loss：loss = criterion(outputs, labels) 拿模型的預測結果跟「標準答案」比對，計算出誤差值有多大（使用 CrossEntropyLoss）。
  3. Backward：loss.backward() 利用微積分的連鎖律，計算出模型裡每一個參數「該為這個誤差負多少責任」（也就是計算梯度）。
  4. Update：optimizer.step() 根據剛剛算出的責任歸屬，稍微調整模型內的參數，讓它下一次猜得更準。

(註：每次更新前，必須記得使用 optimizer.zero_grad() 把上一次的梯度清空！)

四、成果展示與評估

經過 5 個 Epoch (訓練週期) 的努力，我們可以透過訓練曲線來檢視模型的健康狀況：

訓練曲線

  • Loss Curve：可以看到 Train Loss 與 Test Loss 都順利往下降，代表模型確實有在學習，且沒有嚴重的 Overfitting。
  • Accuracy Curve：準確率穩步上升，最終在測試集上達到了非常高的準確率（通常 MNIST 都能輕鬆達到 98% 以上）。

最後，讓我們把測試集抽幾張出來，看看模型的實際預測結果：

預測結果

看到這些手寫的扭曲數字都被標上綠色的正確預測 (Green=O)，真的非常有成就感！這就是我們從零訓練出的第一個 AI 視覺模型。

相關實作程式碼請參閱 Github：Example 2