Ai相關

當大語言模型 (LLM) 參數規模動輒數百億，全參數微調的天價顯示卡門檻讓人望而卻步。LoRA (低秩適應) 技術以「冰封主權重、外掛貼紙矩陣」的低秩分解神技，降低了 99% 的訓練參數！本篇將深入剖析 LoRA 的數學原理，並用 PyTorch 從頭實作一個 LoRA 線性層，親自解密單卡微調大模型的終極祕密！

當 Transformer 的平行運算與 Self-Attention 能力被釋放，科學家們將其 Encoder 與 Decoder 單獨肢解，催生出兩大派系：理解派巔峰 BERT 與生成派霸主 GPT。本篇將深度對決兩大架構、解密雙向與單向的靈魂差異，並看明這場技術大戰如何鋪平了當今 ChatGPT 的封神之路！

傳統的 RNN 結構在處理長文本時容易產生記憶喪失，Bahdanau Attention 的誕生成功突破了這個瓶頸。本篇將深入 Seq2Seq 模型架構，探討 Attention 如何賦予 AI 「重點聚焦」的能力，並以 PyTorch 實作英中翻譯與注意力熱力圖視覺化！

電腦不僅能知道「人在哪裡」，還能精準判斷「人在做什麼」！本篇將帶你認識姿態估計 (Pose Estimation) 技術，並以深蹲 (Squat) 動作辨識為案例，拆解從抓取骨架到計算次數的完整 AI 流程。

YOLO 能精準抓出車輛位置，但它卻無法知道「這台車是不是剛剛那一台」。本篇將帶你認識多目標追蹤 (MOT) 技術，透過賦予 AI「記憶」，實作車流量統計與軌跡追蹤！

電腦不僅能看懂圖片裡有什麼，還能「讀懂」圖片裡的文字！本篇將帶你認識光學字元辨識 (OCR) 技術，並以最經典的「自動車牌辨識 (ALPR)」為案例，帶你拆解從車輛偵測到讀出車牌號碼的完整 AI 流程。

除了知道圖片裡「有什麼」，我們還想知道它「在哪裡」與「是什麼形狀」。本篇將帶你了解影像分割的經典模型 U-Net，並透過 Python 與 PyTorch 實作，從零訓練一個模型來抓出圖片中的物件輪廓。

在深度學習爆紅之前，曾經統治了機器學習界長達 20 年的分類器。本篇深入探討 SVM 的核心哲學：最大化邊際 (Margin)，以及處理非線性問題的神奇魔法——核函數 (Kernel Trick)。

決策樹是如何決定每一次的「分叉」？本篇延續分類大師班的結構，透過經典的鳶尾花資料集，深入解析決策樹的核心分裂指標：資訊增益（Information Gain）與吉尼不純度（Gini Impurity）。