SimCLR : 重複圖片偵測技術

 1.) SimCLR 是一種微調RestNet一種作法，使其 能夠對於類似的圖片產生相同的向量 至於如何"類似" 由自己定義。凡定義為相似的圖片, 例如把同一個圖片其經過角度旋轉、平移、亮度不同、加入些許雜點的細微變化， 仍視為相同的，SimCLR 模型必須建立相同的特徵向量。

simclr 的訓練方法其概念同CLIP model

2.) 一旦有了這個模型後接著我們可以利用clustering 方法，如k-means 或HDBSCAN 進行圖片的分群， 同群表示其群內圖片應極為類似。

AI時代的程式學習思維

 在 AI 時代學習程式設計，我認為我們應該建立一種全新的學習心態。像 ChatGPT 這類生成式 AI 工具，雖然已經被廣泛運用在編程中，但這並不表示我們可以完全依賴它。對初學者來說，最重要的是先培養獨立思考與動手實作的能力，透過親自寫程式來熟悉邏輯與架構。當有了一定基礎之後，再適時引入 AI 工具來協助學習與優化，才能真正建立起紮實的能力。

雖然 AI 功能越來越強大，但在處理複雜、非結構化的大型程式碼，或是在除錯過程中，仍然存在許多限制。因此，我們人類的優勢，應該更加著重於高層次的系統思考、問題分析，以及與他人協作與溝通的能力。

我鼓勵每位學習者，不只是把自己當成「寫程式的人」，而是要用「專案經理」的角色來看待自己的學習與應用。學會整合 AI 資源、分析問題、運用適當工具來解決真實世界的挑戰，這才是程式設計的真正價值所在。

至於資料結構與演算法，我更傾向將它們視為一種「解決問題的思維模式」，而不只是考試科目。像是 Google 地圖預測即時交通狀況，就是結合了資料結構、演算法與機器學習的應用範例，充分展現出這些基本功在現實世界中的重要性。

在這個 AI 快速演進的時代，邏輯思考依然是學習程式的核心，我們也必須不斷調整自己的學習方式，與時俱進，才能真正掌握未來的關鍵能力。

模型是根據句中的哪段話判斷分類結果

 

#Transformer #BERT # Self -Attention  #Explainable AI  #LIME  #SHAP 

在NLP中的文章分類或句子的情緒判別中，模型分類結果符合預期，但如何得知到底是這句話或文章那句話或詞語決定了分類的結果 ? 

LIME 執行的結果

若使用的是Transformer 的BERT., 那可以透Attention weight distribution , 得知那模型主要關注了那一個字。但若分類模型不是BERT 這種具有Self -Attention 的機制，那作法可以用模型可解釋性 (Explainable AI) 的方法,，如LIME 或 SHAP ，他們會用分類模型結果去建立一個簡線性模型， 如Logistic Regression 的這種架構，Y=w1x1+w2x2+w3x3+....如此便可以透過這些權重值w1,w2,... 去了解每個字的重要性。

不平衡資料集: 使用 k-fold 交叉訓練

 

當樣本類別分佈很不平均時,如這樣, 如果無法使用data augumentation 增加少數離Minority)類別的樣本資料， 可以只有重抽樣的方法，避免模型訓練後只會偏向回答多數(Majority)類別的答案。 

Resampling 是指反覆地從訓練資料中抽取不同的樣本子集，並對每組子集重新訓練模型，減少模型的偏差。可以選擇 Bootstrap取樣法與 K-Fold 交叉驗證皆屬於重抽樣方法，其主要差異在於樣本子集的抽取方式：Bootstrap使用有放回的隨機抽樣，而 k-fold 交叉驗證則將資料分成 k 個不重疊的子集進行訓練與驗證。

分割： 把訓練集（注意，這裡指的是除去最終測試集後剩下的數據）平均分成 k 個小集合（或稱為「摺」，folds）。

迭代訓練與驗證： 針對這 k 個摺，重複以下步驟 k 次：

• 訓練： 選取其中 k-1 個摺作為訓練數據來訓練模型。
• 驗證： 用剩下那 1 個摺作為臨時的測試集（或驗證集），來評估模型的表現（例如計算準確率）。

平均表現： k-摺交叉驗證最終報告的模型表現，是這 k 次驗證結果的平均值。

還以更進一步雙管齊下去修改模型的 Loss 函數，當模型對少數類別的判別錯誤時加重懲罰，加大它的Loss。 例如 logistic regression 的 Loss 函數 可以修改成這樣。