L23｜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）

• 超解析度就是把模糊的小圖變成清楚的大圖。
• U-Net 先縮小再放大，中間有捷徑把細節送過去。
• 只比較像素，模型會學到「取平均」，結果就變模糊。
• 感知損失比較的是「看起來像不像」，不是每個像素一樣不一樣。

我卡住的地方，和我怎麼解決

練習作答

Q1. 為什麼只用 MSE 當超解析度的損失，輸出會比較模糊？

因為模型不確定細節時，輸出所有可能答案的平均，MSE 最小。很多可能的清晰細節平均起來就變成模糊，所以 MSE 會鼓勵模糊的輸出。

Q2. U-Net 的捷徑連接（cross connections）有什麼作用？

縮小的過程會丟掉細節，捷徑把下行路徑同一層的特徵直接送到上行路徑，讓還原時可以用回原本的細節，輸出更清楚。

Q3. 「先凍結預訓練層訓練一下，再解凍全部」為什麼比一開始就全部一起訓練好？

新加的上行部分一開始是隨機的，如果一起訓練，亂七八糟的梯度會破壞預訓練層已經學好的特徵。先凍結預訓練層，讓新部分先學到合理的程度，再解凍一起微調，兩邊都能保留好東西。

我的卡片盒筆記

卡片｜只追求平均分數，結果往往變得平庸模糊

超解析度用 MSE 當損失時，模型學會的最安全策略是輸出所有可能答案的平均，結果就是一張模糊的圖。換成感知損失，比較的是「看起來像不像」，輸出才變得清楚。用什麼標準評分，就會得到什麼樣的結果。

這讓我想到寫作文。如果老師只扣錯字和文法，大家就會寫最安全、最平淡的句子，每篇都差不多。後來老師改成看內容有沒有具體例子、有沒有自己的觀點，同學的作文才開始有個性。不過感知損失也有問題，課程說沒有一個明確的指標可以比較，最後還是要靠人眼判斷，好的評分標準本身就很難設計。同學開始寫自己在球場、在家裡發生的真實經驗，每一篇讀起來都有趣多了。

這週我要做的小行動：寫作文時先列出三個具體例子，再開始寫，不追求每句都安全。

🔗 推薦產生關聯的筆記： → 評量設計類：「評分標準決定學生會怎麼努力」 → AI 原理類：「MSE 鼓勵平均，平均就是模糊」 → 學習方法類：「先鎖住學會的，再放手微調」

---

回到課程筆記：L23_超解析度_202611041526