现在我们处理好了所有的精灵图像，来建立我们的图像数据集，接下来我们根据要预测的变量来对它们进行分类。在本文中，我们将仅使用其图像来判断出每个精灵的正确属性。在图7中，我们尝试使用边界框内的图像，将小精灵正确地分类到18个属性中的一种。

　　△ 图7：精灵及其对应属性

　　上行：妙蛙草（左）和波波（右）

　　下行：大钢蛇（左）和菊石兽（右）

　　但是仍然存在一个问题，大多数精灵具有双重属性，也就是说，一个精灵的正确属性是在18种属性中某两种不同属性的组合。例如在图7中，妙蛙草的属性是草和毒，同时具有两种属性的优点和弱点。

　　如果要解决这类情况，我们就需要对组合属性进行分类。即使我们忽视属性顺序，把[火 岩石]属性与[岩石 火]属性分为同一个类，除去不存在的组合，我们最终会得到154个可能的类。

　　更糟的是，如图8所示，一些组合是罕见的，只有一个或两个神奇宝贝，这样限制了可供学习的样本。

　　△ 图8：一些罕见的属性组合

　　上行：熔岩蜗牛（左）和溜溜糖球（右）

　　下行：花岩怪（左）和火钢兽（右）

　　由于上述原因，我决定忽略精灵的组合属性。因此，我们只考虑精灵的主要属性。以图7中的小精灵为例，我们将这样设置：

　　妙蛙草：草

　　波波：一般

　　大钢蛇：钢

　　菊石兽：岩石

　　我将通过卷积神经网络实现对数据集的预测。首先，我们来了解一下神经网络。

　　根据维基百科的介绍，神经网络是一种常用的机器学习预测模型，本质上是由称为神经元的简单单位组成的互连网络。通过对生物系统内部运作的简单模拟，神经网络能够通过这些神经元来实现复杂的函数和模式。

　　神经元的最简单形式只是一个输入的线性函数，可以通过组合实现非线性激活函数，如下图：

　　△ 图9：神经网络的基本单元

　　然而，通过加深网络层数，神经网络能够在独立变量和因变量之间构建越来越复杂的对应关系，如下图：

　　△ 图10：一个稍微复杂的，具有一个隐藏层的神经网络结构

　　从1940年开始，就已经有学者研究神经网络，但是存在局部最优和计算量过大的问题，所以一直发展缓慢。近年来，随着计算性能的大大提高，以及反向传播算法的提出和发展，神经网络又再一次受到了大量学者的关注。

　　好的，我们已经比较了解神经网络了。但是“卷积”指的是什么呢？我们先来介绍一下内核。

　　在图像处理中，内核，也叫作卷积矩阵，是在模糊、锐化、边缘检测等任务中使用的小型矩阵。我们通过设定合适的内核进行矩阵的卷积运算，产生新的图像从而实现目的效果。在前边的步骤中，我们已经用过了一种内核：在数据预处理中用Sobel内核来检测精灵的边缘。

　　△ 图11：精灵妙蛙花在应用Sobel算子后的效果