漫漫長路

深度學習需要解決一個高維且非凸優化之問題，解決這些問題的難點在於，他可能具有多個好的解(local minimum)，導致學習演算法(神經網路/loss)難以收斂到一個全域最佳值(global minimum)
這種問題在隨機優化領域(stochastic optimization)中，被稱為優化演算法的收斂問題(problems with the convergence of the optimization algorithm on a solution)，而需要被收斂的解，在演算法中為一組權重(weight values)，深度學習也屬於隨機優化領域，因此也面臨此問題，其權重通常以.h5檔案格式儲存

img=cv2.imread('3.jpg')
rows,cols,channels=img.shape
dst=img.copy()

灰度化
直方圖均衡化

img = cv2.imread('./3.jpg') 
img = cv2.GaussianBlur(img,(5,5), 1) # smooth image

方法一
方法二

發生錯誤:

應該是batch size=1為sgd
一次epoch作loss和，更新一次權重

<以下是我個人經驗，可能有誤>
我們都知道tensorflow是以計算突來當作整體變數架構

python是以main.py(包含__name__的檔案)作為搜索路徑之root
也就是說再main.py運行時，會加入搜索範圍的路徑皆以main.py所在之資料夾做為root