L01｜中文 F3 學生的學習紀錄

角色設定：我是中三學生，只看得懂中文。Python 學過變數、for 迴圈和 list，數學讀到一元二次方程。我靠中文課程筆記、YouTube 自動翻譯字幕和查字典來學。Kaggle 筆記本的操作步驟，是依官方 notebook 流程寫下的練習紀錄。

我讀懂了什麼（用自己的話）

電腦看照片其實是看一大堆數字（每個像素的顏色值）。
以前要人寫規則告訴電腦「鳥有翅膀」，很難寫完；現在讓模型看很多圖片，自己找出規則。
fastai 幾行程式就能完成：下載圖片、整理、訓練、預測。
resnet18 是別人訓練好的模型，我們只要「微調」它，就像請一個已經會畫畫的人學畫我們的卡通角色。
驗證集很重要：模型沒看過的照片答對，才算真的學會，不是背答案。

我卡住的地方，和我怎麼解決

卡住的地方	我怎麼解決
一開始看不懂 DataBlock 裡那一大串參數	我把五個參數抄成表格，每一格旁邊寫中文意思，再對照 notebook 一行一行看，就清楚了。
「fine_tune」和「訓練」有什麼不同	重看影片字幕那段，加上查書第 1 章，理解成：從零訓練是從白紙開始，微調是從「已經會一點」開始。
英文術語太多記不住	做了一張中英對照小卡（本篇的關鍵概念表），每天看一次。

練習作答

Q1. 用自己的話說明：為什麼 2015 年以前電腦很難分辨鳥和森林的照片，現在卻幾分鐘就做得到？

以前要靠很多科學家一起想「鳥有什麼特徵」，再寫成程式，花好幾年也不一定準。2015 年後，深度學習可以自己從大量圖片中學出特徵，加上有預訓練模型和 GPU，我們只要給一兩百張圖，幾分鐘就能訓練好。

Q2. DataBlock 要告訴 fastai 哪五件事？各用 Is it a bird? 的例子說明。

① blocks：輸入是圖片、輸出是類別（ImageBlock, CategoryBlock）。② get_items：用 get_image_files 找出資料夾裡所有圖片。③ splitter：隨機拿 20% 當驗證集（RandomSplitter）。④ get_y：用資料夾名稱 bird / forest 當標籤（parent_label）。⑤ item_tfms：每張圖縮成 192×192（Resize）。

Q3. 預訓練模型和微調是什麼？請用一個生活例子來類比。

預訓練模型像是已經學會打乒乓球的人，他手眼協調很好。微調就是教他打羽毛球：不用從頭學怎麼看球，只要調整揮拍方式，很快就上手。

Q4. 用文字畫出機器學習的訓練迴圈，包含：輸入、權重、模型、結果、損失、更新。

輸入（照片）＋權重 → 模型 → 結果（預測是不是鳥）→ 跟正確答案比，算出損失 → 根據損失調整權重 → 回到第一步再來一次。重複很多次，權重越來越好。

Q5. 動手：把 Is it a bird? 改成分辨兩種你感興趣的東西，寫下搜尋關鍵字、資料夾名稱和你預期的困難。

我想分辨「珍珠奶茶」和「咖啡」。搜尋關鍵字：bubble tea photo、coffee cup photo。資料夾：dest/bubble_tea、dest/coffee。預期困難：有些奶茶跟拿鐵顏色很像，模型可能搞混；搜尋結果也可能混進廣告圖，要先清理。

我的卡片盒筆記

卡片｜先做出能用的模型，再回頭理解原理

學深度學習可以從結果開始。第一課沒有先講數學，直接讓我五分鐘內做出一個會分辨鳥和森林的模型。看到它真的答對，我才開始好奇裡面到底發生了什麼事。

我以前學 Python 都是從 print 和變數一步一步學，學到第三週還不知道這些能拿來做什麼，很容易放棄。這次反過來，先跑完整個 notebook，再回頭查 DataBlock 每個參數的意思，反而記得很清楚，因為我知道每一行是為了哪個結果。不過這個方法也有限制，跑得出來不代表真的懂，如果只按執行鍵不去改程式，很快就忘了。改程式的過程中出錯也沒關係，錯誤訊息反而讓我更快搞懂每一行的用途。

這週我要做的小行動：把 bird notebook 改成分辨珍珠奶茶和咖啡，至少改三個地方，並記錄哪一張圖模型猜錯。

🔗 推薦產生關聯的筆記： → 學習方法類：「改一個地方再執行，比讀十遍更記得住」 → 資料類：「模型猜錯的圖片，最能告訴你資料哪裡有問題」 → 生活應用類：「身邊哪些事情其實是分類問題」

回到課程筆記：L01_開始上手_202611041526