學貫中西(6):闡述ML分類器的工作流程

1   天字第一號ML模型：分類器

在上一期里，曾經在Excel 畫面的幕后，設計了一個分類器（Classifier）模型，將各< 詩句> 歸類到各自所屬的< 作品>。此時，把一個作品名稱（如靜夜思），當作一個類（Class）。于是，這種ML 模型，就通稱為：分類器。在ML（機器學習）領域中，分類器就是天字第1 號模型。

在本專欄的前面幾期里，曾經介紹過分類器的幕后實踐技術。在本期里，就來把去年介紹過的技術，與華夏的藝術、文化創作，連結起來，讓您能夠貫通ML 的知識體系及其實現技術，請您回憶上一期的范例（見圖1）。

圖1 基本范例示意

這是ML 模型的基本技能，它透過機器學習而記住了< 詩句> 與< 作品名稱> 之間的關系，也就是分類關系。于是我們就可以把某個< 詩句> 輸入給這模型，由它來預測（推論）出其所屬的< 作品名稱>（參見圖2）。

圖2 典型的ML分類器模型

這是典型的ML 分類器模型。我們可以建立更多這樣的模型，來表達各式各樣的事物之間的復雜關系。

2   分類器的學習流程

剛才已經說明了，分類器是一種AI 模型。顧名思義，它經過機器學習，就能在人們的指引下，認識不同種類的圖像，或其他事物。換句話說，它就具有分辨出不同種類事物的智慧能力。現在來舉例說明其學習流程。

2.1 收集數據

于此，敘述分類器的工作（學習）流程。例如，它就具有分辨出八大山人與畢加索，兩種不同畫作的風格。首先，收集兩個類的畫作圖像，如圖3。

圖3 畫作圖像示意

這些圖像是用來訓練一個分類器模型。訓練完畢之后，它就具有分辨出八大山人與畢加索，兩種不同畫作的風格。由于分類器是屬于監督式學習（Supervised learning），我們先進行分類，并且對各類來貼上標簽（Label）。貼上類的標簽:^[1]代表<Picasso> 類，而以[0]代表< 八大山人> 類（見圖4）。

分類器是屬于監督式學習（Supervised learning），我們先進行分類，并且對各類來貼上標簽（Label）。貼上類的標簽：[1] 代表<Picasso> 類，而以[0]代表< 八大山人> 類。接下來，就來定義這個分類器的架構，包括它的各項參數來配合這些畫作圖像的大小（即多少像素）。

圖4 類標簽及分類器

現在，訓練數據（Training data）準備好了，模型也定義好了，就可以展開< 機器學習> 了；也就是，開始訓練這個分類器模型。

2.2 展開機器學習

●   步驟1：拿第1 筆數據來訓練

首先從Picasso 類取出一筆數據（即一張畫作），以X 表示之，輸入給分類器。同時，把Picasso 類的標簽，提供給分類器，做為目標值（Target），簡稱：T 值（見圖5）。

圖5 目標值設定

此時，分類器模型就進行推論（Inference）：從X計算出Z。并且計算出Z 與T 的誤差。也就是：T–Z =Error（見圖6）。

圖6 推論產生

圖7 分類器參數更新

然后，依據這項誤差值（即Error）來更新這分類器的參數，如圖7 所示。于是，更新了分類器的參數，讓分類器的智慧提升了。此時已經輸入第1 筆數據，并對分類器進行1 次迭代（Iteration）的訓練了。

●   步驟2：拿第2 筆數據來訓練

現在從八大山人類取出一筆數據（即一張畫作），以X表示之，輸入給分類器。同時，把八大山人類的標簽，提供給分類器，做為目標值（T）。此時，分類器模型就進行推論：從X 計算出Z，如圖8 所示。

圖8 推論Z的產生過程

接下來，就計算出Z 與T 的誤差。也就是：T–Z =Error。然后，依據這項誤差值（即Error）來更新這分類器的參數（見圖9）。

圖9 更新后的分類器參數

更新了分類器的參數，讓分類器的智慧提升了。此時已經輸入2 筆數據，并對分類器進行2 次迭代的訓練了。

●   步驟3：繼續拿下一筆數據來訓練

這是重復< 步驟1> 的學習流程，從Picasso 類取出另一筆數據（即另一張畫作），以X 表示之，輸入給分類器。同時，把Picasso 類的標簽，提供給分類器，做為目標值。此時，分類器模型就進行推論，計算出Z和誤差值（Error）。最后，依據這項誤差值來更新這分類器的參數。更新了分類器的參數，讓分類器的智慧提升了。此時已經輸入3 筆數據，并對分類器進行3 次迭代的訓練了。

●   步驟4：繼續拿下一筆數據來訓練

這是重復< 步驟2> 的工作流程，但是從八大山人類別取出另一筆數據（即另一張畫作），來輸入給分類器。同時，把八大山人類的標簽，提供給分類器，做為目標值（T）。此時，分類器模型就進行推論，計算出Z 和誤差值。最后，依據這項誤差值來更新這分類器的參數，讓分類器的智慧提升了。此時已經輸入4 筆數據，并對分類器進行4 次迭代的訓練了。

●   步驟5：繼續重復循環下去

然后，重復循環下去，直到Error 趨近于0 為止。以上是典型的機器學習流程，其中每1 次迭代都各輸入1 筆數據給分類器去進行學習（也是訓練），也更新1 次模型參數。這樣地重復循環下去，就會逐一地把各筆數據（畫作）都輸入給分類器去學習了。當我們把全部數據都輸入給模型去學習了，就稱為：學習一回合（Epoch）。

如果學習了一回合之后，發現其誤差值（Error）還蠻大的（不接近于0），表示學習得還不夠好。于是繼續重復下去，也就是進行另一回合的學習，重復循環下去，直到Error 趨近于0 為止。一般而言，機器學習都需要進行數千或數萬，或更多回合的學習（訓練）過程，Error 才會趨近于0。

3   學習的效果

于此，使用空間對應（Space-mapping）的觀念來解釋之。輸入空間（即X 空間）包含全部數據（畫作），經由推論（計算）之后，會對應到輸出空間（即Z 空間）。這種對應過程，就通稱為：模型推論，如圖10 所示。

圖10 模型推論

經過數百或數千，或更多回合的學習之后，這分類器就能把這些畫作，對應（Mapping）到它們各自所屬的類了。

圖11 關系的建立

一旦機器學習完成，圖11 里的關系建立起來了。計算機（ML 模型）就觀察畫作的風格，而推論出該幅畫作是來自畢加索或是來自八大山人了。

4   結語

前面提到了，分類器是ML 領域的天字第一號模型。為什么它具有這樣重要的角色呢? 請您仔細領會一下圖11 里的X（空間）與Z（空間）的關系。基于這項關系，ML 模型就觀察畫作的風格（結果），而推論出該幅畫作是來自畢加索（原因）或是來自八大山人了。

于是，X 空間里的事物或其特征，是我們所觀察到的結< 果>。而Z 空間里所表達的卻是這些結果幕后隱藏的原< 因>。一旦能找到眼前（現實）結果幕后藏的真正的因，我們就能針對此< 因> 而對癥下藥，就可以改變眼前的< 果> 了。這稱為：溯因（Abductive reasoning）推理。君不見，許多人類的科學性創新，大多來自于這項溯因（又稱果因）推理能力。請您期待本專欄的繼續解說ML 的更多魅力。

（本文來源于《電子產品世界》雜志2022年4月期）