對於像是把一個數字變成一個影像的作法，通常是透過生成模型來達成， AutoEncoder 自動編碼器則是深度學習中常見最簡易的生成模型。
AutoEncoder 是透過一個 Encoder 編碼器與一個 Decoder 解碼器的組合來實作生成模型的機制。
編碼的過程有點像是將資料濃縮、擷取，降維到較小維度的空間，而解碼則是相反的過程，類似於將較小維度空間的資料重建、還原、升維到原始維度的空間。
在 AI 的領域中，這種濃縮的資訊通常以 z 來表示， z 所存在的空間稱為潛在空間。
AutoEncoder 模型在訓練好之後，只需要將 Encoder 移走，透過給予 Decoder 解碼器隨機潛在空間的值，就可以生成所需要的影像。
換句話說，在 AutoEncoder (AE) 架構中，通常最後在使用的部分都是已經訓練完成的 Decoder 解碼器 。
[ 閱讀更多 …]
AutoKeras 之所以方便使用而且將 AI 的模型訓練降低門檻到幾乎人人都可以上手，主要就是在於自動化的進行模型搜尋，透過自動化的方式去尋找、找出最合適的演算法跟模型來訓練 AI。 而這也就是 AutoKeras 的命名來源，取代原本需要透過資料工程師手動的調教、訓練模型。
AutoKeras 模型一般可以接受輸入下面四種類型的資料
Numpy、scikit-Learn、Tensorflow 等 Python 套件都採用的陣列，只要電腦的記憶體可以容納得下你的資料，儲存成 ndarray 是最便利的選擇。
Pandas 也是常用的資料套件，可以用來載入 CSV、Excel 資料表，其中內建的 DataFrame 可以直接輸入給 AutoKeras 模型不需要額外轉換成 Numpy 物件。
可以直接透過TensorFlow Core 中的預設 Module資料集下載資料並直接傳給 AutoKeras 圖形分類器訓練，這種形式的資料集相對比較少，但所有的資料集都已經預處理好了，很適合學習使用。
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import autokeras as ak
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import load_model
(x_train, y_train) , (x_test, y_test) = mnist.load_data()
print(x_train.shape)
# 建立圖形分類器
clf = ak.ImageClassifier(max_trials = 1)
# 開始訓練圖形分類器
clf.fit(x_train, y_train, epochs = 10)
# 使用測試集評估模型的預測效果, 會回傳預測的準確率
clf.evaluate( x_test, y_test )
有許多公開的資料集可以用來學習以及練習，這個有點類似 Python 生成器，能以串流形式從硬碟檔案或分散式檔案系統傳入資料，因此很適合用在深度學習與大型的資料集。
基本上大型的資料集，比較建議先將資料轉換成 TensorFlow Dataset，也就是將自己的資料寫成 TensorFlow 資料集的格式，官方的文件有詳細的作法，可以參考。
將資料轉換成 TensorFlow 資料集有幾個好處 :
使用前請先記得安裝 package
使用 TensorFlow Datasets 的下載方式與上面的稍微有些不同，下面是參考的範例程式碼
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import tensorflow_datasets as tfds
import autokeras as ak
mnist_train, mnist_test = tfds.load('mnist', split=["train","test"], as_supervised=True)
ak0 = ak.ImageClassifier(num_classes=10, max_trials=1)
ak0.fit(mnist_train, epochs=10)
# 使用測試集評估模型的預測效果, 會回傳預測的準確率
ak0.evaluate( mnist_test )
如果要使用 AutoKeras 這個深度學習的框架，對於資料集的預處理是非常重要的。現有的許多資料集為了學習方便，在下載時往往已經有人幫你預處理完畢，讓學習的過程中不用再去處理瑣碎繁瑣的預處理，整理下面幾種常見的資料預處理方法。
在 AI 訓練最常見到的第一個例子，是利用 MNIST 資料集的手寫數字圖像，透過 Deap Learning 的方式讓分類器能正確辨識圖像為 0 – 9。
MNIST 是機器學習領域知名也被廣泛使用的資料集之一，包含 70,000張圖像 ( 60,000 張訓練圖像和 10,000張測試圖像 )，每張圖像都是 28 x 28 像素的灰階圖片。
可以透過 tensorflow 內建常用的資料集來導入取得 MNIST 資料集。
[ 閱讀更多 …]
目前使用 AutoKeras 最方便快速的方式除了雲端的 Google Colaboratory 外，就是在本機端安裝 Jupyter Notebook 來跑簡單的機器學習的範例。
如果需要更快速的運算跟訓練模型，就需要充分利用本機端原本就有的 GPU ，當然有額外的錢外接一張eGPU也是不錯的選擇。
這篇文章主要是介紹安裝 AutoKeras 與本機端支援 GPU 運行的流程。
[ 閱讀更多 …]
Python 有三種格式化字串的方式，其中一種與 C++ 類似，使用 % 算符來格式化字串，是 Python 早期版本的標準。
print("%s 是 %s 而不是 %s" % ("老王", "樂團", "賣西瓜的"))
>>> 老王 是 樂團 而不是 賣西瓜的前面先用兩個 ” 將字串建立，而後面接一個 % 後接要塞入的文字、變數，會一個對一個的將文字更換。
目前這種寫法已經不流行了，比較 Pythonic 的寫法是使用 format 或者是 f-string
使用 format() 來格式化字串是比較通用的做法，相對來說也可以支援比較多的版本，語法如下:
“格式化字串”.format( 參數值 )
print("{} 是 {} 而不是 {}".format("老王", "樂團", "賣西瓜的") )
>>> 老王 是 樂團 而不是 賣西瓜的f-string 的作法在 Python 3.6 以後支援
str1 = "老王"
str2 = "樂團"
str3 = "賣西瓜的"
print( f"{str1} 是 {str2} 而不是 {str3}" )
>>> 老王 是 樂團 而不是 賣西瓜的基本上跟 format 一樣簡單好用，還更方便閱讀。
Python 中的 list 是一種常用的資料結構，經過語言優化後功能強大。 List 跟 C++的陣列 array 很類似，是由有順序的 element 所匯集而成。
可以用 [ ] 括號來建立 list，其中的元素必須以逗號分隔。
# 建立三個元素的 list, 並且命名為 alist
alist = [ 1, 2, 3]list 與陣列不同的地方在於 list 的每個元素可以是不同型別的元素，例如混雜字串與數字的陣列。
combined_list = [1, "One", 2, "Two"] list 的取用使用索引 index， 索引可以從 0 -> 元素數量 -1，或者反過來，從 -1 (最後一個) 到 – ( 元素數量)。
>>> alist = [ 1, 2, 3]
>>> alist[0]
1
>>> alist[-1]
3list 的切片是 Python 的特色用法，比起許多語言而言易用且容易理解，而需要記住的莫過於切片有頭無尾。
使用切片的用法是用 : 來分隔頭尾，假設上面的例子 alist 需要前面兩個元素，可以使用下面的做法
>>> another_list = alist[0:2]
>>> another_list
[ 1, 2 ][ m:n ] 可以切出由 m到n，但不包含 n 的片段，這樣有頭無尾的設計可以讓 [ m:n ] 的切片長度直接就是 n-m，可以減少bug的產生。
append() 可以將元素附加到 list 的末端。
insert( index, element ) 可以將 element 插入進指定索引處，而原本的索引所在元素都會往後一位。
x = [1,2,3]
x.insert("new element", 2)
>> x
>> [1, 2, "new element", 3]sort() List的排序使用 sort()方法，sort會直接將原本的list做排序，改變其順序。預設sort()的排序由小到大、字母由 a->z。 也可以傳入函式讓 sort() 去做自定義的排序。 p.s 自定義排序較慢。
def compare_len(string_element) :
return len(string_element)
word_list = ["Which", "string", "is", "longer?"]
word_list.sort()
print(word_list)
>>> ['Which', 'is', 'longer?', 'string']
word_list.sort(key = compare_len)
print(word_list)
>>> ['is', 'Which', 'string', 'longer?']sorted() 會回傳一個排好序的list，而不會更改原本的 list。
in 算符可以測試 list 的某個元素是否存在。
用 index() 可以找出元素在 list 的索引值，通常使用前需要先使用 in 算符確認有存在後再使用，如果該元素沒有 index值會發出錯誤。
list 的淺層拷貝可以使用 x[:] 來複製整個x的list。 但如果 list 中的元素有好幾層，則需要使用深層拷貝 deepcopy ( 需要先import copy )。
import copy
original = [[0], 1, [2,3, [4] ]]
deep = copy.deepcopy( original )Python 的程式撰寫風格慣例詳細被記載在 PEP8 (Python Enhancement Proposal) 這份文件中，PEPs 還有許多不同的提議，包含之前的Bug fix release、Python語言演進的 Guidelines、但最需要被詳細閱讀跟使用的就是這個 PEP8 – Style Guide for Python Code 。
每個語言有自己的命名慣例，有份經過官方、社群所經過時間考驗跟整理的命名慣例是相當難能可貴的，也會讓所有 Python的程式工程師能更理解你的程式碼。
下面僅列出部分我個人覺得與之前慣用的Ｃ++較為不同的Python專屬的命名慣例
| 情況 | 建議 | 範例 |
| 模組、套件名稱 | 全部小寫、短名詞，必要時才使用底線 ( _ ) | imp, sys |
| 縮排 | 每個級別為 4 個空格，不使用Tab | |
| 變數名稱 | 全部小寫，使用底線 _ 分隔長變數 | my_var |
| 函式名稱 | 全部小寫，可使用底線 _ 增加可讀性 | my_func() |
| 類別名稱 | 每個單字的第一個字母大寫 | MyClass |
| 比較 | 不用寫 == 寫出比較的結果是 True / False | if my_var : if not my_var: |
| 常數名稱 | 全部大寫，單字間加底線 | PI, TAX_RATE |
底線開頭或結尾的名稱在 Python 中有特殊的用途。
| 前單底線 _var | 模組的private變數或函式，import 使用 * 匯入時無法匯入以 _ 底線開頭的名稱。 |
| 前雙底線 __var | 類別或物件的private變數或函式，會被Python改名，所以類別或者物件外部無法直接用原本名稱存取。 |
| 前後雙底線 __var__ | 保留給Python內部使用的，避免使用這種形式。 |
| _ | 免洗變數，用完就丟。 |