鐵人檔案
這是一場新手上路的 30 天鐵人挑戰。身為剛踏進深度學習世界的新手玩家，我會和大家一起從零開始，像在遊戲裡從「入門村」出發，一步步練功、解鎖技能，直到挑戰最終 BOSS！前期我打算先搞懂基礎任務：什麼是神經元？梯度下降怎麼讓模型學習？接著升級到卷積神經網路 (CNN)，挑戰影像辨識副本。隨著等級提升，會遇到更高難度的關卡。至於最終 BOSS，可能是圖像辨識、生成式 AI、可能是大型語言模型，也可能是一路上發現的新挑戰。讓我們一起開始吧~
我們完成了數據的結構化分割，並實作了 DataLoader，將乾淨的圖片轉化為模型可食用的數據流。今天，我們將正式進入訓練環節：首先進行快速的 Stage 1...
我的三個模型 ResNet34、VGG16、EfficientNetB0 都完成了 Stage 1 和 Stage 2 的訓練與微調，並在驗證集上取得了不錯的準...
我們在測試集上確認了 ResNet34 是我們的冠軍模型。今天，我們將使用兩大評估工具——混淆矩陣 (Confusion Matrix) 和 ROC 曲線 (R...
我將介紹最後一項關鍵的定量指標 ROC 曲線 (Receiver Operating Characteristic)，以衡量模型在區分不同災害類別時的信心程度。...
為了快速且免費地將我們的深度學習模型上線，我選擇了 Hugging Face Spaces。 平台優勢與工具選擇平台特性： Spaces 是一個專門為機器...
在這段深入的學習旅程中，我們成功地應用深度學習技術解決了自然災害的快速識別問題。我們建立了一個高效能的 災害影像分類系統，並將其部署至雲端，實現了從學術研究到實...
我們已經完成了 CV 模型的部署，確定了 LLM 是下一步的重點。目標：打造一條「開始 → 模板轉換 → 知識檢索 → LLM → 結束」的可用工作流，讓系統輸...
今天把 RAG 取回的多段結果（result 陣列），在 LLM 端用 map + join 合併，並用「政策型 System Prompt」強化可溯源與行動化...
風格遷移是一種很帥、但其實概念蠻優雅的技術：把一張圖片的內容，配上另一張圖片的風格，生出一張既保留原始場景、又帶有名畫或特定質感的新圖。想像：把你家的街景照，畫...
