L02｜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）

模型訓練好只是一半，要讓別人用得到才有價值，這就是部署。
Hugging Face Spaces 像是免費的網站空間，Gradio 幫我做出上傳圖片的按鈕和結果顯示。
混淆矩陣是一個表格，對角線是答對的，對角線以外就是搞混的地方。
資料增強就是把同一張圖隨機裁切、翻轉，讓模型以為看到新圖。
模型可以存成一個 .pkl 檔，帶著走、在別的電腦載入使用。

我卡住的地方，和我怎麼解決

卡住的地方	我怎麼解決
git、push、clone 這些指令完全沒聽過	請哥哥示範，也查了中文教學；後來改用 GitHub Desktop 介面操作，比較不會打錯指令。
app.py 跑起來說找不到 model.pkl	發現是模型檔放錯資料夾，要放在 Space 資料夾的最外層，和 app.py 同一層。
不懂為什麼要 squish 而不是 crop	比較兩種結果：crop 會把熊的頭切掉，squish 雖然有點變形但整隻熊都在。

練習作答

Q1. 為什麼課程建議「先訓練模型，再清理資料」？這和一般直覺有什麼不同？

因為人眼很難一張張檢查幾百張圖，但模型訓練完，會把它最沒把握或錯得最離譜的圖片排出來給我看，我只要檢查那幾張就好。一般人以為要先把資料弄乾淨才能開始，其實先訓練反而更快找到問題。

Q2. 資料增強（data augmentation）是什麼？為什麼用了之後要多訓練幾個 epoch？

資料增強是把圖片做隨機變化（裁切、翻轉、旋轉、調亮度），讓模型每次看到的圖都有點不一樣，比較不會死記。因為每一輪看到的版本都不同，模型需要更多輪才能把這些變化都學起來。

Q3. 下面是一個熊分類器的混淆矩陣：真實灰熊 50 張中有 45 張判對、5 張判成黑熊；真實黑熊 48 張中有 46 張判對、2 張判成灰熊；泰迪熊全對。模型最大的問題是什麼？

最大問題是灰熊和黑熊會搞混，尤其是灰熊被判成黑熊（5 張）比反過來（2 張）多。泰迪熊沒問題。可能是有些灰熊照片顏色很深，看起來像黑熊，可以用 plot_top_losses 看那幾張圖。

Q4. 列出把模型部署到 Hugging Face Spaces 的主要步驟（至少五步）。

① 在 Kaggle 訓練好模型並用 learn.export 匯出 model.pkl。② 下載 model.pkl。③ 在 huggingface.co/spaces 建立新 Space（選 Gradio）。④ 用 git clone 把 Space 資料夾下載到電腦。⑤ 寫 app.py：load_learner 載入模型、寫預測函數、建立 gr.Interface。⑥ 把 app.py、model.pkl、requirements.txt 放進資料夾。⑦ git push 上傳，等網站建好就能用。

Q5. 設計一個你自己的部署專案：要分辨什麼？誰會用？Gradio 介面的輸入和輸出是什麼？

我想做「校服違規檢查」太敏感了，改做「羽毛球拍還是網球拍」分類器，給剛入門的同學用。輸入：一張球拍照片。輸出：羽毛球拍、網球拍、壁球拍三個類別的機率。

我的卡片盒筆記

卡片｜模型要讓別人用得到，才算真的完成

訓練出準確的模型只走了一半，部署讓它變成別人能用的東西。這課最讓我有感的是，幾十行程式就能把我的模型變成一個網址，傳給同學就能用。

我以前做的電腦作業都只存在自己的檔案夾，交完就沒人看。這次我把球拍分類器放上 Hugging Face Spaces，傳連結給羽毛球隊的學弟，他們拿自己的球拍拍照測試，還找出模型把壁球拍誤判成網球拍的問題。因為有真實使用者，我才知道資料裡壁球拍的照片太少。不過部署也有成本，要處理 git、檔案位置、套件版本，第一次花的時間比訓練還多。那次經驗也讓我明白，模型準不準，最後是由真正使用它的人說了算。

下週我要做的小行動：補收集 50 張壁球拍照片，重新訓練後更新 Space，再請三位學弟測試。

🔗 推薦產生關聯的筆記： → 專案管理類：「真實使用者的回饋比自己測試更準」 → 技術類：「版本控制讓你敢放心改程式」 → 資料類：「少數類別的資料不夠，模型就會偏心」

回到課程筆記：L02_模型部署_202611041526