即使在这个样本量较小的数据集中，我们可以看到，颜色在精灵分类中起着重要的作用。例如在容易被错误分类的精灵中，豪力很大可能被划分为毒型，可能是由主体色为紫色导致分类错误。同样地，可能由于饭匙蛇为深色，所以被误分为恶型。

　　好吧，我们可能永远不知道为什么会出现这样的结果。使用深层神经网络进行分类的一个缺点是该网络模型相当于一个“黑盒”，目前有很多学者在研究神经网络在图像分类中学习到的抽象特征。

　　现在，我们可以来观察下通过第一层卷积核获取到的特征图谱，尝试理解下卷积核在寻找什么样的图像特征。但是随着深度神经网络层数的加深，我们越来越难辨识出组合而成的高级抽象特征。

　　△ 图24：用第一卷积层的内核来处理第一代初学者精灵图像所得到的效果 结论

　　该模型的预测正确率只有39％，可能不那么尽如人意。但是想要利用小样本数据集实现18类精灵的分类问题，并不是那么简单。我们的模型比零规则基线高出了20%的分类准确度。表1列出了在测试集上每个精灵属性出现的频率，比零规则基线高出了19.5％的精度。

　　△表1：测试集里精灵出现的频率

　　但是，如果我们期望计算机有一天能够成为地球上的机器人霸主，我们就不应该用这种笨拙的方法来衡量它们。如果计算机想比我弟弟更好地认出精灵宝贝，那他还需要好好努力。

　　今天AI界还有哪些事值得关注？

　　在量子位（QbitAI）公众号会话界面回复“ 今天”，看精选的AI行业资讯和研究动态。笔芯~

　　△扫码强行关注『量子位』

　　追踪人工智能领域最劲内容