TensorFlow +OpenVINO 整合开发CR-A11-吸纳专家直觉的CNN特征提取器

CRA11察颜观色吸纳专家直觉的特征提取器3.如何训练卷积核4.如何纳入专家直觉5.二维(2D)卷积运算6.二维卷积的范例8.范例实现：以护理排班为例9.优化模型：使用OpenVINO优化器10.测试模型：使用OpenVINO推论引擎介绍特征提取器常见的神经网络结构Feature常见的神经网络结构激活)·这种<特征提取器>,在形形色色的ML模型里，处处可见。例如：特征提取器特征提取器与分类器的组合Encoder2架构，其中全局信息被纳入从头开始的局部特征Encoder2充当局部特征提取器，并直接输入到分类器中。特征提取器与分类器的组合·这文章提到了，本文提出了一种新颖的Encoder1-Encoder2架构·其中全局信息被纳入从头开始的局部特征提取过程。特别是，Encoder1充当全局信息提供者，而Encoder2充当局部特征提取器·并直接输入到分类器中。鲁鲁它是基于自己的W&B来计算的yy010111010它是基于自己的W&B来计算的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来计算的·按下<<1>字的相乘求和>,就针对左上角的图象，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来计算的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来计算的123456789ABC001010111111001010JGJ00200222202<1>字的020222<4>字的它是基于自己的W&B来计算的·按下<<4>字的相乘求和>,就针对左下角的图象，由各Y嬛们来提取其特征值：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来计算的它是基于自己的W&B来计算的Y环特征提取器·Y嬛们提取的特征，成为格格的训练资料。·按下<训练(30回合)>,格格就会自动而迅速地完成30回合的学习流程。训练完成之后，权重(W)就更新了。·以上所述，是特征提取器与分类器的常见组合模式之——环是<特征提取器>;而格格是<分类器>。复习：卷积运算回顾刚才的例子ABCEFGH1JKLMN0123401002065010020611122278<1>字的相乘求和<4>字的相乘求和9020010222111020010回顾刚才的例子两两相乘&求和ABCFGHIJKLNO123401002065010020611122278<1>字的相乘求和<4>字的相乘求和9020010222111020010一维卷积123456789复习：卷积运算复习：卷积运算复习：卷积运算1维(向量)卷积复习：卷积运算123456789FR1BGG00HB0IR0JG0KB1LR1MG0N0B1复习：卷积运算14两两相乘4568求和9FR1BGG00HB0IR0JG0KB1求Y(卷積)LR1MG0NB1(123456789HB0IR0JG0KB1LR1MG0NB1复习：卷积运算145689FR1BGG00HB0IR0JG0KB1LR1MG0NB1123456789HB0IR0JG0KB1LR1MG0NB1如何训练卷积核010111010Y环-1格格景明T-妊人Y环-1如何训练这W值呢?并且表达专家智慧呢?景训练卷积核复习：光的三原色训练卷积核复习：光的三原色·计算机就依据R、G、B三个数值的大小来表示每一个像素·每一幅屏幕画面或一张图片，都是由许多小光点所组成的，其中一个小光点就称为一个像素(Pixel)。由像素所组成的图像，通称为数字图像。格式的数字图像的彩色采样点，即是像素。训练卷积核·每一个像素都具有三个数值，代表红光、绿光、蓝光的亮度；就是刚才所介绍的RGB三色光。经由三色光的叠合来得到各种颜色。ABC1black128,128,1282maroonred3green0,128,0lime0,255,04oliveyellow5navyblue6puplefuchsia7tealaqua8silverwhite9训练卷积核·以整数0～255的值来代表小光点的R、G和B的亮度。其中0是最暗·255是最亮。例如，当RGB都是255时·迭合之后就呈现出白光。ABC1black128,128,1282maroonred3green0,128,0lime0,255,045navyblue6puplefuchsia7tealaqua8silverwhite9探索<蓝绿相连>的位置训练卷积核·现在，来设计一个分类器，并进行训练。训练卷积核·其中，我喜欢<蓝绿>相连。而不喜欢<绿红>和<红蓝>相训练卷积核·于是，动手设计分类器，如下：ABCDEFGHIJKLM12RGBRGBTZ30000红0(不喜歡)4红0000蓝0(不喜歡)5蓝0000線1(喜歡)6789WB正規化训练卷积核·现在，请您按下<正规化>,并且按下<学习>。ABCDEFGHIJKLM12RGBRGBTZ3010100红0(不喜歡)4紅100001蓝0(不喜歡)5蓝001010綠1(喜歡)6789學習學習分类器分类器训练卷积核·现在，请您按下<正规化>,并且按下<学习>。ABCDEFGHIJKLM12RGBRGBTZ3010100红0(不喜歡)4紅100001蓝0不喜萝5蓝001010绿678W9B0分类器分类器训练卷积核·现在，请您按下<正规化>,并且按下<学习>。ABCDEFGHIJKLM12RGBRGBTZ3010100红0(不喜歡)4紅100001蓝0不喜声5蓝001010綠678迁移到分类器分类器训练卷积核·现在，请您按下<正规化>,并且按下<学习>。ABCDEFGHIJKLM12RGBRGBTZ3010100红0(不喜歡)4紅100001蓝0不喜声5蓝001010綠678M(晕)I数0I0I00骤(鼎晕业)0罪I0000I(晕业)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准备分类器的训练数据2550]],dtype=np.float32)[-0.1],[0.1]].0],dtype=np.float32)]modold=Dense(0,activation='sigmoid',namp,并且训练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()上述分类器的训练结果：B=W=[[0.027][0.027]探索<蓝绿相连>的位置--使用卷积核训练卷积核1逐步卷積計算236791112逐步卷積Y训练卷积核·现在就准备对这4个像素进行卷积运算，就能发现到：在最右方的两个像素是<蓝绿相连>。·请您按下<展开&正规化>,就从各像素取出其RGB特征，并进行正规化，得出如下：训练卷积核·请您按下<展开&正规化>,就从各像素取出其RGB特征，并进行正规化·得出如下：123456789G1G10展開&EB0FR1GG0HB0IR0JG0KB1LR0MG1NB0训练卷积核简单的分类器·我们仍然可以分段来进行<两两相乘&求和>的计算，也就是从左边慢慢向右边滑动(或称卷动),就能一边滑动一边进行<两两相乘&求和>计算。行<两两相乘&求和>而得到Y[0]值为：-3.8。训练卷积核ABCDEFGHIJKLMN1逐步卷積計算234RGBRGBRGBRGB501010000101067展開&正規化89W-2.11逐步卷積(兩两相乘&求和)Y-3.8(按3次)训练卷积核123456789ABCD展開&B0RB0R10HB0IR0JG0B1LR0MG1NB0训练卷积核123456789ABDG1G100正規化逐步卷積B0GB0G01训练卷积核项重要的讯息：在第3步滑动时发现了<蓝绿相连>一组像训练卷积核w=dtype=,-)1.71,-2.21,2.21,-1.61,1.61,-2.11],b=0训练卷积核进行卷积运算#-------Coinued进行卷积运算defconv():Z=Sigmoid(y)print(np,round(z,2))#-print(nW=训练卷积核X=[0.1,0.1,,1,0.1,0.]Y=[-3.8-3.83.8]Z=[0.020.020.98]训练卷积核Z=[0.020.020.98]提取的高阶特征训练卷积核X=[0.1,0.1,,1,0.1,0.]Y=[-3.8-3.83.8]Z=[0.020.020.98]范例：如何纳入专家直觉范例：专家直觉·在一个工厂里，有一部机器天天运作中，它会处于3种状态之一，分别以RGB颜色代表之。如下图：范例：专家直觉·每天中午12:00记录其当天状态。当其状态为顺时钟、或反时钟变化，属于正常变化。如下图：详细说明：一部机器会处于3种状态，分别以RGB颜色代表之。每天中午12:00记录其当天状态。当其状态为顺时钟、或反时钟变化，属于正常变化；否则为异常变化(跳机)。如果出现<连续异常变化>就必须停机检修。第1天第6天第2天第1天第6天第2天范例：专家直觉·有一位负责检视机器状态的老师傅来了，他一眼就能看出了这部机器·在过去一周(工作6天)里并没有出现<连续异常变化(跳机)>的现象。ABCDEFGHIJKLMN0PQRST1第1天第2天第3天第4天第5天第6天2X[]30000000000004567899·运用专家直觉，把它表达于卷积核里：123456789A0000010010人类专家给予的ABCDEFGHIJKLMN0PQRST23000000000000456100001卷積70011008900000·从上图里的YO[]就可以看出来了：有一个值达到510,代表发现一次异常(跳机)现象，从红色状态跳到蓝色。从Y1[]可以看出来：有一个值是达到510,代表发元素进行<两两相加>计算，而得到z[]·ABCDEFGHIJKLMN0PQRST2300000000000045610000170011008900000相加·人类专家一眼就看得出来：本周没有发生<连续两天跳机>的现象。·答案是：可以的。特征),分别看到了一次跳机现象。但是如何看出来是否<连续跳机>呢?答案是：再进行一次特征提取(卷积)就可以看出来了。范例：专家直觉123456789AB0100100001人类专家给予的ABCDEFGHIJKLMN0PQRST1第1天第2天第3天第4天第5天第6天2300000000000045610000170011008900卷積000117准备卷积运算函数defgetY(dx准备卷积运算函数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)·卷积核的W,直接从专家心中来。x=np,array([255,0,0,0,0,255,0,255,0,0,0,255,给卷积核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)·卷积核的W,直接从专家心中来。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)·卷积核的W,直接从专家心中来。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)·卷积核的W,直接从专家心中来。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)·卷积核的W,直接从专家心中来。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)·卷积核的W,直接从专家心中来。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]====两个特征表Z=[510255255510255]特征表相加特征表相加·发现了2次跳机最后的特征表·YZ都小于1020,没有<连续跳机>的现象最后的卷积表·设计一个分类器，来吸纳专家智慧ABCDEFGHIJKLMN012N6RGBRGBTZ3紅0000绿0(没問题)4S6綠0000蓝0(没問题)5蓝0000绿0(没問题)6綠0000紅0(没問题)7紅0000蓝(跳機)8蓝0000红(跳機)9WB學習红蓝红蓝机台的各种A13578966正規化DEDR0綠00WBFG0000GB0000HR0000IG0000N(没問题)(没問题)(没問题)(没問题)0Z(给标签)A13578966正規化R0綠00WBFG0000GB0000HR0000IG0000N0ZABCDEFGHIJKLMN012N6RGBRGBTZ3100010绿0(没問题)4S6010001蓝0(没問题)5001010綠0(没問题)6010100紅0(没問题)7100001蓝1(跳機)8001100紅(跳機)9WBABCDEFGH1JKLMN012N6RGBRGBTZ3100010綠0(没問題)4S6绿010001蓝0(没問题)5蓝001010綠0(没問题)6綠010100紅0(没問题)7紅100001蓝1(跳機)8蓝001100紅(跳機)9WB0學習123456789ANS66D紅绿蓝綠蓝WBER1000100KIJKIG1010G101000B001001R000101G010100綠蓝綠蓝綠10010T分类器迁移到卷积核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请看看Python程序，来实现上述的情境。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])分类器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)准备卷积运算函数准备卷积运算函数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()使用迁移来的卷积核255,0,0,0dtypenpfloat255,0,0,0dtypenpfloatprint("\n-----conv-1-------")专家直接提供的卷积核print("Z1=",np.round专家直接提供的卷积核kwz=np,array[,iJz2=conv(z1,kw2,0,1)print("\n-cntraining()convolution()·发现了2次跳机W=.[[2.18][-4.78][2.18][2.05][-4.91]·Z2[]都小于1.0,没有<连续跳机>的现象--W=.[[2.18][-4.78][2.18][2.05][-4.91]n2深入说明二维(2D)卷积运算123456789AB421C42-12222-1223300左上角部分是AI模型的一些参数。·中间浅蓝色部分是卷积运算的数据，也就是卷积的对象。·右上角部分(粉红)是卷积核的权重。ABCDEFGH1JKLMN0PQR144Kernel(卷積核)2322-12331142-1331251220162201789特徵表(FeatureMap)123456789卷積RaData-12332-133220122012123456789A1卷積2222-12233005·请按下<卷积>,就会进行两两相乘&求和：1234567893AB421C422-122222H3300I331121请按下<卷积>,就会进行两两相乘&求和：AA222342234&求和0&求和00262781卷積卷積请按下<卷积>·就会进行两两相乘&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)为：1。1234567892·就进行两两相乘&求和，兹计算看看：1datasize:44RawDataKernel(卷積核)278两两相乘&求和·继续会向右滑动1个元素的距离。并进行两两相乘&求和：123456789I33112乘&求和：123456789AB42142I331127一步一步地滑，滑到这边就结束了：123456789AB4214211Kernel(卷積核)2ABCEFGHIJKL1:442322-123342-13351220162201789ABEFGHIJK1442322-123342-13351220162201789说明：模板的参数如下图：1234567892-1H3300I3311Kernel(卷積核)1299说明：模板的参数目前这个参数值是：1,表示一次滑动1步，如下图：目前这K42333303452333303452122-112021620217滑動距離8滑動距離特徵表(FeatureMap)174843更改数据和参数123456789AB422-11-1-11-13-11-1-11-135008700087000690 更改数据和参数123456789AB422C530000G0000H8866I7799J0000更改数据和参数·这时卷积核Size是：2×3,而原始资料Size是：4×5。请按下<卷积>,计算两两相乘&求和：123456789AB422530000G0000H8866I7799J0000-16更改数据和参数就向右滑动2个元素，计算两两相乘&求和：123456789A2更改数据和参数·由于步长参数值为：2·就向下滑动2个元素，计算两两相乘&求和：123456789卷積-12一步一步地滑，滑到这边就结束了：ABCDEFGH1JKLMN0PQR145Kernel(滤鏡)232300870-11-1400870-11-15200690600690789特徵表(FeatureMap)-16-2卷積-1262D卷积的范例·如果这是一个飞机引擎的图像(照片),如下：R123456789如果這是：飛機引擎的照片123456789LB00MRNG0B0PR00QG00B00123456789使用卷積来掃描照片中的引擎02550两兩相乘&求和YPR0QG0B0·按下<两两相乘&求和>·就会算出Y值为：0。ABCDEFGH1JKLMNOPQRS12RGBRGBRGB300456789使用卷積來掃描照片中的引擎兩兩相乘&求和Y00·刚才已经基于人类的知识，来设计出一个卷积核了。数据，来进行卷积运算。·请按下<卷积>,就开始进行两两相乘&求和的计算：计算：12345一步一步滑动，滑到这里时，其Y值为0。123456789·最后，就可以发现张照片里的飞机有两个引擎。123456789·最后，就可以发现张照片里的飞机有两个引擎。123456789应用到新的图像·最后，就可以发现张照片里的飞机有两个引擎。123456789应用到新的图像123456789(2D)一张飞机照片应用到新的图像89应用到新的图像·最后，就可以发现张照片里的飞机有4个引擎。123456789请看看Python程序，来实现上述的情境。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准备卷积运算函数conv[y][x]=np,sum(dx[y,*stridey:y*stridey+kheight,x*strideh:x*strideh+kwidth]*k).astype(np.float32)人类提供卷积核#--Airplane#--=[]cv=Conv2D(dx,k,padding=0,stridev=2,strideh=6)print("\n--AirplaneImage-1\n")进行__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")读取第2张图像数据进行应用该卷积核·实际运行，输出结果：第1张图的第2张图的卷积结果[11.13.713.711.第2张图的卷积结果[[10.9818.2810.913.610.9[8.3(0.)2.8(0.)8.113.58.1(1[11.8.213.610.98.2把专家直觉纳入Al里把专家直觉纳入Al模型里与过去发生情况的某些相似点(即相似特征)。眼中，每个情况都是新且独立的情况。·专家直觉带给人们瞬间洞察力，也就是鉴往知来的能力。把专家直觉纳入Al模型里ABCDEFGH1JKLMN0PQRSTUVWXYZ24黄底=JB=小夜68BC=101代表大夜班。把专家直觉纳入Al模型里一眼就能看出这不是一张好的排班内容，其凭借的就是专家直觉。将其表现于Al模型里，就能大大提升Al系统的质量。探知<花式排班>的特征，表达于Al模型上。把专家直觉纳入Al模型里提取特征了。纳入到Al模型里。例如，专业术语<花式排班>就蕴含了专家智慧。把专家直觉纳入Al模型里123456789AT0000000011110110BY環-2|F0000001000010011G1000111000000000H0100000100110000工00100000100010100001000001000101LLZ護理排班Al模型1代表Bad把专家直觉纳入Al模型里·于是专家直觉就成为FX分类器的内涵了。·当您按下<训练>按钮·FX分类器就开始学习了。·学习之后，这位资深护理的专业直觉，就成为这分类智慧了。并以权重来表达这项智慧，如下图：把专家直觉纳入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-1Y環-2Y環-3把专家直觉纳入Al模型里X0Whulu0Y環-1Y環-2把专家直觉纳入Al模型里大Y環0Y環-1-3.2-0把专家直觉纳入Al模型里大Y環0丫Y環-10.62-3.2丫環-20.58把专家直觉纳入Al模型里大Y環0Y環-10.62-3.2丫環-2-0.2965.460.58Y環-1Y環-2Y環-3Y环-2的R00R000004123456789匯入H1001I0110JJ00000000通道匯合L1001OF00000P1100QS0010TU0100V0000W00000100Y11107.25Z0000AAA00003个Y环把专家直觉纳入Al模型里士的本本月份排班表)。代表大夜班。·请按下<卷积>,就展开对原始数据进行卷积运算，来提卷积的结果针对第1笔资料3个Y环的卷积结果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卷积的结果针对第2笔资料3个Y环的卷积结果CDKLNPQVXYZ0卷積通道匯合-3.160.810.030.4200.80.8000000210100000.03000.81120.90.0810.861111110.90.7110.111000.421111000.8110针对第3笔资料3个Y环的卷积结果2233雁入卷積 0000通道随合通道随合0000000011111112.81111卷積ABCFGHJKLMQR卷積ABCFGHJKLMQR0通道匯合0010.0300Q1011100.0301110.991111110.981000.52010.490100.991卷积的结果针对第4笔资料3个Y环的卷积结果800交由大Y环汇合特征表这笔有两处花式排班00000000000000000000000000000000000000000000000000000000000010000000000000000000000000000000000000000000000000000000000000000000000000000交由大Y环汇合特征表这笔有许多花式排班0000000000000000000000000000000000000001000000000000000000000001000000000000000000000000000000000000000000000000000000000000000000000000于是，得到大Y环的特征表ABCEFGHIJKLMN0PQR1特徵表(FeatureMap)23415106789匯入特徵表·然后，进行CNN的池化(Pooling)运算，萃取一周内是否出现<花式排班>现象。12345678900000000000000000000000000淮入池化后的特征表I0010J00100000K000100L00000000M0001000N0000000000000000把池化的特征表，交给格格ABCDEFGHIJKLMN1NT250003S0004400005C001006378(學習)……………9涯入特徵表把专家直觉纳入Al模型里训练完成·这样就完成了<排班>CNN深度学习的模型的设计与训练·目前已经完成<排班>模型的训练阶段了。·现在就拿两位新护士的排班表，来给Al评否有不良的花式排班现象。ABCDEFGHIKLMNPRSUVW1234567-3.38-0.19-3.5格格的预测预測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把专家直觉纳入Al模型里测试结果·预测的结果呈现于粉红色底的部分：·第1位新护士的排班是正常的。·第2位新护士的排班则并不理想。把专家直觉纳入Al模型里更上一层楼·以上的范例，只是展示<特征提取器>的基础能力：支持基本的分类任务。例如，辨别<好>与<不好>的排班表。·基于这项基础，未来可以进一步组合AE模型，来进行理想的排班补值(生成),由Al来帮助您做<智慧排班>的工作。·祝福您轻松愉快更上一层楼。范例实现延续上一小节的护理排班范例ABCDEFGHIJKLMN0PQRSTUVWXYZ12