跳到主要內容

NLP Day 2 環境與工具鏈：Colab、transformers、LangChain、向量資料庫

NLP Day 2 環境與工具鏈：Colab、transformers、LangChain、向量資料庫

執行需求：CPU 可跑。今天是 NLP 系列的第二天，我們會把整個系列要用的工具鏈一次裝好並驗證。包括：Google Colab 環境設定、Python 3.12、PyTorch 2.6、Hugging Face transformers 4.49、sentence-transformers 3.4、LangChain 0.3、Chroma 0.6，以及一個最精簡的「文字 → 嵌入 → 檢索 → 生成」demo。讀完之後你會有可立即動手的環境，後續 43 篇都會用今天這套設定。

引言

Day 1 我們把整個系列的全貌攤開了，從今天開始就要動手做。但 NLP 與 LLM 的環境比 CV 還複雜：除了 PyTorch 與 torchvision，還要裝 transformers、sentence-transformers、peft、accelerate、bitsandbytes 等 Hugging Face 生態系的套件，再加上 LangChain、Chroma、Qdrant、FastAPI 等應用層套件，版本組合一錯就會出現「cannot import name」、「CUDA not available」等莫名其妙的錯誤。

今天這篇的目標是「一次把所有套件裝對、把所有可執行範例跑過一次」。具體來說，我們會做四件事：第一，介紹 Colab 與本機兩種環境；第二，用一個 requirements.txt 鎖住版本；第三，跑通 transformers 的 pipeline；第四，用 sentence-transformers + Chroma 做最簡單的「語意搜尋」demo。所有範例都設計成 CPU 可跑，但同時說明哪些步驟在 Colab T4 上會更快。

要注意的是，這個系列固定在 2025 年 3 月前存在的版本（PyTorch 2.6、transformers 4.49–4.51 世代、LangChain 0.3.x 等）。如果你在 2026 年才讀這篇文章，套件版本可能已經升級，API 也可能改變。建議對照 Hugging Face 官方文件做必要調整，但核心概念不會變。

環境選項：Colab、本機、Docker

NLP 與 LLM 開發有三種主要環境選項：

  • Google Colab 免費方案：瀏覽器直接開 Notebook、T4 GPU 免費用、預裝 PyTorch 與大多數主流套件。這個系列預設環境。
  • Google Colab Pro / Pro+：升級版可取用 A100、V100。微調大模型時會用到，本系列大部分篇章用不到。
  • 本機 Python + 虛擬環境：用 conda 或 venv 管理，適合需要長期運行的服務。Ollama 本地推論必須在本機或 Colab。
  • Docker 容器：用 Dockerfile 鎖住環境，方便重現實驗。系列最後的部署篇章（Day 40）會用到。

本系列以 Colab 為主、本機為輔。所有程式碼都設計成「複製到 Colab cell 直接執行」，不需要任何額外設定（除了少數需要 API Key 的篇章）。

Python 版本與虛擬環境

2025 年 3 月，Python 3.12 是 Colab 預設版本，也是大多數企業部署的版本。本系列不支援 Python 3.11 或更早版本（部分套件會要求 typing 模組的新功能）。如果你在本機開發，建議用 conda 或 pyenv 安裝 3.12。

先讓我們檢查 Python 版本：

import sys

print(f"Python 版本：{sys.version}")
# 輸出：Python 版本：3.12.x（依環境不同）
print(f"主要版本：{sys.version_info.major}.{sys.version_info.minor}")
# 輸出：主要版本：3.12
print(f"執行檔路徑：{sys.executable}")
# 輸出：例如 /usr/bin/python3 或 C:\Python312\python.exe

如果你的 Python 不是 3.12，建議用以下方式切換：

  • Colab：在 Notebook cell 執行 !python --version 確認；Colab 預設就是 3.12。
  • conda：conda create -n nlp python=3.12 -y、conda activate nlp。
  • pyenv：pyenv install 3.12、pyenv local 3.12。

requirements.txt：本系列固定版本

把整個系列要用的套件版本寫成一份 requirements.txt，方便複製到 Colab 或本機。這份清單以 2025 年 3 月可用的穩定版本為基準：

# NLP 系列固定版本（2025-03）
# 安裝：pip install -r requirements_nlp.txt

# 核心深度學習框架
torch==2.6.0
torchvision==0.21.0

# Hugging Face 生態系
transformers==4.49.0
sentence-transformers==3.4.1
datasets==3.2.0
peft==0.14.0
accelerate==1.2.0
tokenizers==0.21.0

# LLM 應用框架
langchain==0.3.13
langchain-community==0.3.13
llama-index==0.12.10

# 向量資料庫
chromadb==0.6.3
qdrant-client==1.12.0

# 文字處理
spacy==3.8.2
jieba==0.42.1
opencc-python-reimplemented==0.1.7

# 評估與輔助
scikit-learn==1.6.0
numpy==1.26.4
pandas==2.2.3
matplotlib==3.10.0

# 部署（Day 40 才會用到）
fastapi==0.115.6
uvicorn==0.32.1
streamlit==1.41.1

這個清單是 Colab 與本機通用版本。在 Colab 上，由於 transformers、sentence-transformers 等核心套件可能已經預裝成較新的版本，pip 安裝會自動覆蓋。可以加 --quiet 參數讓輸出簡潔，或者先 pip show transformers 確認再裝。

裝完之後立刻驗證：

import importlib

versions = {
    "torch": "2.6",
    "transformers": "4.49",
    "sentence_transformers": "3.4",
    "langchain": "0.3",
    "chromadb": "0.6",
    "peft": "0.14",
    "spacy": "3.8",
    "jieba": "0.42",
}

print("套件".ljust(22) + "目前版本".ljust(15) + "目標版本".ljust(10) + "狀態")
print("-" * 60)
all_ok = True
for name, target in versions.items():
    try:
        mod = importlib.import_module(name)
        current = getattr(mod, "__version__", "未知")
        ok = current.startswith(target)
        status = "OK" if ok else "版本不符"
        if not ok:
            all_ok = False
    except ImportError:
        current = "未安裝"
        status = "需安裝"
        all_ok = False
    row = name.ljust(22) + current.ljust(15) + target.ljust(10) + status
    print(row)

print()
print("整體狀態：" + ("全部就緒" if all_ok else "需要調整"))

這段程式用 importlib 動態載入套件並讀版本，印出對齊的表格。實務上這段驗證腳本可以存成 check_env.py，每次新開 Colab Notebook 時跑一次，確保環境正確。實際輸出會依你的安裝版本略有不同。

Google Colab 環境設定

Colab 是這個系列最主要的執行環境。建立 Notebook 之後，建議先做以下設定：

  1. 執行階段類型：「執行階段」→「變更執行階段類型」選 T4 GPU。NLP 大部分篇章用不到 GPU，但 transformers 載入模型時若偵測到 GPU 會更快。
  2. 加速器選項：「None（僅 CPU）」就足夠跑 Day 1 到 Day 8。要跑 Day 5 的 BERT 微調或 Day 17 的 LoRA 時再切到 T4。
  3. 掛載 Google Drive：模型、資料集、筆記本想保留就掛 Drive。Day 2 之後會大量用到。
  4. Hugging Face Token：Day 13 開始若有下載受限模型的需求，可在左側「金鑰」頁籤新增 HF_TOKEN。免費模型不需要。

Colab 的預設工作目錄是 /content/。建議在這個目錄下建立 nlp-series/ 子目錄，把所有 Notebook、模型、資料集都放進去：

import os

WORK_DIR = "/content/nlp-series" if os.path.exists("/content") else "./nlp-series"
os.makedirs(WORK_DIR, exist_ok=True)
os.chdir(WORK_DIR)
print(f"目前工作目錄：{os.getcwd()}")
# 輸出：目前工作目錄：/content/nlp-series 或 ./nlp-series
print(f"內容物：{os.listdir('.')}")
# 輸出：內容物：[]（剛建立時是空的）

這段程式會自動偵測 Colab 與本機環境，統一工作目錄。Colab 上會是 /content/nlp-series，本機則是 ./nlp-series。Day 1 的章節腳本可以放在這個目錄下，每次重開 Notebook 從同一個位置執行。

transformers 4.49：最小的 pipeline 範例

Hugging Face transformers 是整個系列的靈魂。先用一個最簡單的「文字分類」pipeline 確認 transformers 已經正確安裝：

from transformers import pipeline

# 情緒分類：使用 distilbert-base-uncased-finetuned-sst-2-english（約 250 MB）
classifier = pipeline(
    task="sentiment-analysis",
    model="distilbert-base-uncased-finetuned-sst-2-english",
)

texts = [
    "I love this NLP series, it's very clear.",
    "The setup is so confusing, I want to quit.",
]
results = classifier(texts)

for t, r in zip(texts, results):
    print(f"文字：{t}")
    print(f"  預測：{r['label']}（信心 {r['score']:.4f}）")
# 輸出範例：
# 文字：I love this NLP series, it's very clear.
#   預測：POSITIVE（信心 0.9998）
# 文字：The setup is so confusing, I want to quit.
#   預測：NEGATIVE（信心 0.9997）
# 實際數字會依模型版本略有不同

這段程式示範了三個關鍵觀念：第一，pipeline(task=...) 是 transformers 的高階 API，把 tokenizer、model、後處理全部包好，一行就能跑；第二，模型會自動從 Hugging Face Hub 下載，第一次執行會看到下載進度條，之後會從本機快取讀取；第三，回傳結果是一個串列，每個元素是包含 label 與 score 的字典。如果你的環境可以連網，這段應該能順利跑完。

sentence-transformers 3.4：句向量

sentence-transformers 是後續 RAG 章節的基礎。先用一個最小的例子確認它能跑：

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")

sentences = [
    "今天天氣真好，適合去爬山。",
    "明天會下雨，應該待在家裡。",
    "機器學習需要大量資料。",
]

embeddings = model.encode(sentences, normalize_embeddings=True)
print(f"句向量形狀：{embeddings.shape}")
# 輸出：句向量形狀：(3, 384)

# 計算相似度
query = "天氣不錯想去戶外走走"
query_emb = model.encode([query], normalize_embeddings=True)
sim = cos_sim(query_emb, embeddings)[0]

print(f"查詢：{query}")
for s, score in zip(sentences, sim.tolist()):
    print(f"  相似度 {score:.4f}：{s}")
# 輸出範例：
# 查詢：天氣不錯想去戶外走走
#   相似度 0.4521：今天天氣真好，適合去爬山。
#   相似度 0.2188：明天會下雨，應該待在家裡。
#   相似度 0.0421：機器學習需要大量資料。
# 實際數字會依模型版本略有不同

這段程式示範 sentence-transformers 的核心功能：model.encode(sentences) 把文字轉成 384 維向量，normalize_embeddings=True 讓向量長度變成 1，這樣 cosine 相似度可以直接用內積算。可以看到「爬山」相關的句子與查詢的相似度最高，「機器學習」的句子相似度最低，符合直覺。實際數字會略有不同，但排名應該一致。

Chroma 0.6：本地向量資料庫

Chroma 是 RAG 章節最常用的向量資料庫。先用最小範例確認它能跑：

import chromadb

# PersistentClient 把索引寫到磁碟，重啟後自動載入
client = chromadb.PersistentClient(path="./chroma_store")
collection = client.get_or_create_collection(
    name="nlp_demo",
    metadata={"hnsw:space": "cosine"},
)

# 新增 3 筆資料
collection.add(
    ids=["d1", "d2", "d3"],
    documents=[
        "Python 是適合初學者的程式語言。",
        "transformers 提供預訓練 NLP 模型。",
        "Chroma 是輕量級向量資料庫。",
    ],
)

# 用文字查詢（Chroma 內建預設嵌入函式）
results = collection.query(
    query_texts=["我想找適合做 NLP 的函式庫"],
    n_results=2,
)

print("查詢結果：")
for doc, dist in zip(results["documents"][0], results["distances"][0]):
    print(f"  距離 {dist:.4f}：{doc}")
# 輸出範例：
# 查詢結果：
#   距離 0.5021：transformers 提供預訓練 NLP 模型。
#   距離 0.7801：Chroma 是輕量級向量資料庫。
# 實際數字會略有不同

import shutil
shutil.rmtree("./chroma_store")
print("已清理測試資料")

這段程式把 Chroma 的最小工作流跑過一次：建立 client、建立 collection、寫入三筆中文文件、用文字查詢回傳最相關的兩筆。get_or_create_collection 是慣用寫法，避免第二次執行時撞名。PersistentClient 把資料寫到 ./chroma_store，重啟後可繼續用。最後用 shutil.rmtree 清理測試資料。Day 23 會深入介紹 Chroma 與 Qdrant、pgvector 的比較。

完整實作：環境就緒一鍵驗證

把今天所有範例串成一個「一鍵驗證」腳本，可以貼到 Colab 第一個 cell 執行，確認整個環境都能運作：

import sys
import time

print("=" * 60)
print("NLP 系列環境驗證腳本")
print("=" * 60)
print(f"Python：{sys.version.split()[0]}")
print()

checks = []

# 1. PyTorch
try:
    import torch
    checks.append(("torch", torch.__version__, "可用"))
except Exception as e:
    checks.append(("torch", "未安裝", str(e)))

# 2. transformers
try:
    from transformers import __version__ as v
    checks.append(("transformers", v, "可用"))
except Exception as e:
    checks.append(("transformers", "未安裝", str(e)))

# 3. sentence-transformers
try:
    import sentence_transformers
    checks.append(("sentence-transformers", sentence_transformers.__version__, "可用"))
except Exception as e:
    checks.append(("sentence-transformers", "未安裝", str(e)))

# 4. spaCy
try:
    import spacy
    checks.append(("spacy", spacy.__version__, "可用"))
except Exception as e:
    checks.append(("spacy", "未安裝", str(e)))

# 5. jieba
try:
    import jieba
    checks.append(("jieba", jieba.__version__, "可用"))
except Exception as e:
    checks.append(("jieba", "未安裝", str(e)))

# 6. LangChain
try:
    import langchain
    checks.append(("langchain", langchain.__version__, "可用"))
except Exception as e:
    checks.append(("langchain", "未安裝", str(e)))

# 7. Chroma
try:
    import chromadb
    checks.append(("chromadb", chromadb.__version__, "可用"))
except Exception as e:
    checks.append(("chromadb", "未安裝", str(e)))

print("套件".ljust(22) + "版本".ljust(15) + "狀態")
print("-" * 60)
for name, ver, status in checks:
    print(name.ljust(22) + ver.ljust(15) + status)

print()
ready = all(c[2] == "可用" for c in checks)
print("環境狀態：" + ("就緒" if ready else "需要安裝缺少的套件"))

這段腳本的好處是「失敗明確」：每個套件用 try / except 包起來，缺哪個就會印出來。實際執行時，輸出會列出七個套件的版本與狀態。如果有套件沒裝，去 Colab 的 cell 執行 !pip install 套件名 補上，再跑一次即可。

常見錯誤與踩雷

第一個雷是「transformers 與 sentence-transformers 版本不相容」。sentence-transformers 3.4 要求 transformers ≥ 4.41、版本號需小於 5.0；如果 transformers 是 4.30 或更舊，會出現「ImportError: cannot import name 'cached_file'」。對應排查：用本篇提供的版本號，pip install transformers==4.49.0 sentence-transformers==3.4.1 一起裝。

第二個雷是「在 Colab 預設環境找不到 GPU」。Colab 免費方案的 GPU 名額有限，當 GPU 滿載時，系統會自動切回 CPU 模式（並把 !nvidia-smi 顯示為找不到裝置）。對應排查：執行階段 → 變更執行階段類型 → 確認 T4 已勾選；如果 GPU 額度用完就改用 CPU 等隔天重置。

第三個雷是「Chroma 第一次跑很慢」。Chroma 0.6 第一次啟動會下載嵌入函式的 ONNX 模型（約 80 MB），這段時間可能被誤判為當機。對應排查：第一次跑完之後，後續執行會從 ~/.cache/chroma 讀取，啟動時間縮短到 1 秒以內。

第四個雷是「sentence-transformers 模型下載卡住」。Hugging Face Hub 在某些網路環境會連不上，導致模型下載超時。對應排查：設定 HF_ENDPOINT 環境變數指向鏡像，或用 huggingface-cli login 登入後重試。本系列所有模型都來自 Hugging Face 官方 Hub，沒有鏡像需求。

效能與實務提醒

在 Colab 免費 T4 上，transformers 載入 distilbert 約 2 秒、第一次 encode 100 個句子約 0.5 秒；本機 CPU 上同樣的操作約 5–10 秒。對系列大部分篇章（Day 1 到 Day 12）來說，CPU 速度都足夠；微調篇章（Day 17、Day 21）必須用 GPU。

模型快取的位置預設在 ~/.cache/huggingface/（Linux/macOS）或 C:\Users\使用者\.cache\huggingface\（Windows）。如果你的本機磁碟空間有限，可以把快取改到外接磁碟：

export HF_HOME="/path/to/external/huggingface"

最後提醒：Colab 的工作階段會在閒置 90 分鐘後自動中斷，連續使用上限是 12 小時。長期任務（例如模型微調）建議用本機或 Colab Pro。這個系列的設計會讓每個範例都能在 12 小時內跑完，避免觸發斷線。

本機開發的注意事項

如果你選擇在本機開發而不是 Colab，有幾件事要特別注意：第一，PyTorch 的 CUDA 版本必須與 NVIDIA 驅動版本對應。可以先用 nvidia-smi 看驅動版本最高支援哪個 CUDA，再到 PyTorch 官網選對應的安裝指令（例如 CUDA 12.1 對應 pip install torch==2.6.0 --index-url https://download.pytorch.org/whl/cu121）。

第二，macOS Apple Silicon（M1/M2/M3/M4）上要裝 PyTorch 的 MPS 版本。PyTorch 2.6 已經把 MPS 列為穩定支援，安裝指令跟一般版本一樣，MPS 會自動啟用。不過 MPS 上的 transformers 速度比 CUDA 慢、比 CPU 快，介於兩者之間。

第三，Windows 上要注意路徑。Hugging Face 的快取預設在 C:\Users\使用者\.cache\huggingface，如果你換了使用者帳號（例如多人共用一台機器），快取會分開。如果你想統一管理，可以在環境變數設定 HF_HOME。

第四，Linux 上有些系統預裝的 Python 是 3.10 或更舊，安裝 3.12 時建議用 deadsnakes 這類第三方 PPA，或者直接用 conda 管理。混用系統 Python 與自裝 Python 是環境問題的最大來源，盡量避免。

第五，硬碟空間規劃。完整下載本系列用到的所有模型約需要 15 GB（bert-base-chinese 400 MB、bge-m3 2.3 GB、Qwen 2.5 系列 1.5B 到 7B 共約 6 GB、其他小模型數 GB）。如果硬碟有限，建議用到時再下載、不用就清掉，Hugging Face 提供 huggingface-cli delete-cache 工具可以批次清理舊版本快取，並保留最新的版本。

小結

今天把整個系列要用的工具鏈一次建好了：Colab 環境設定、Python 3.12、transformers 4.49、sentence-transformers 3.4、Chroma 0.6、LangChain 0.3 等都跑過了最小範例。我們用一個一鍵驗證腳本做總結，可以貼到任何 Colab Notebook 第一個 cell 確認環境就緒。明天我們會進入 Day 3，正式處理文本前處理與斷詞：spaCy、jieba，以及中文沒有空格的難題。

Ollama 與本地推論的環境選項

雖然 Day 15 才會正式介紹 Ollama，但因為很多讀者會想「先在 Colab 之外也能跑 LLM」，這裡先簡要說明。Ollama 0.6 與 0.7 世代在 2025 年 3 月是本地推論的主流選擇，安裝只要三個步驟：到 https://ollama.com 下載安裝檔、在終端機輸入 ollama pull qwen2.5:1.5b、輸入 ollama run qwen2.5:1.5b 就能開始對話。整個過程不依賴 Python、不需要 GPU，純 CPU 就能跑 1.5B 等級的小模型。

Ollama 對這個系列最大的意義在於「把 LLM 從雲端拉到本機」。Day 13 開始會大量使用 OpenAI、Anthropic 的雲端 API，但對沒有 API Key、或對資料隱私有要求的讀者來說，本地 Ollama 是必要的替代路徑。建議在這個週末就把 Ollama 裝起來、跑幾個範例 prompt，後續篇章會用得比較順。

另一個值得先裝的是 LM Studio（也是 2025 年 3 月前已發布的工具），它提供類似 Ollama 的本地推論功能，但有 GUI 介面，適合不熟命令列的讀者。不過對本系列來說，Ollama 的命令列 API 更貼近工程實務，因此我們的範例會以 Ollama 為主、LM Studio 為輔。

最後提醒一點：Ollama 的模型預設放在 ~/.ollama/models，1.5B 模型約 1 GB、7B 模型約 4–5 GB、13B 模型約 7–8 GB。如果硬碟空間有限，可以指定 OLLAMA_MODELS 環境變數把模型放到外接磁碟。

系列專案的目錄結構建議

本系列後續篇章會反覆用到模型、資料集、筆記本三類資產。建議建立統一的目錄結構方便管理：

nlp-series/
├── notebooks/        # Colab 與 Jupyter Notebook
├── data/             # 資料集（部分放 Hugging Face Cache）
├── models/           # 下載的預訓練模型（可選，大部分用 HF 快取）
├── chroma_store/     # Chroma 持久化資料
├── outputs/          # 評估結果、生成的文字
└── requirements.txt  # 套件版本鎖定

這份結構不是強制規定，但能讓 45 天的實作有個一致的起點。建議在 Day 2 的最後花十分鐘建立好，後續篇章都把檔案放在對應目錄下。Colab 的 /content/ 在工作階段結束後會清空，但如果你把整個 nlp-series/ 放在 Google Drive 裡，每次開 Notebook 重新掛載就能繼續。

結語

NLP 環境的複雜度比 CV 高很多：除了深度學習框架，還要管 Hugging Face、應用框架、向量資料庫三條生態系。今天的目標是「一次裝對」——鎖版本、跑驗證、確認每個套件都能動。後續 43 篇都會用今天這套設定，環境問題從此不再是阻礙。明天，我們會進入文本前處理的細節：英文用 spaCy、中文用 jieba，並且會看到「為什麼中文斷詞比英文難太多」的實際示範。

延伸資源

  • Hugging Face Transformers 4.49 安裝指南（2025）：https://huggingface.co/docs/transformers/v4.49.0/en/installation
  • sentence-transformers 3.4 安裝與安裝疑難排解（2025）：https://sbert.net/docs/installation.html
  • Chroma 0.6 快速入門（2025）：https://docs.trychroma.com/getting-started
  • LangChain 0.3 安裝指南（2025）：https://python.langchain.com/docs/how_to/installation/
  • Google Colab 免費方案限制說明（2025）：https://research.google.com/colaboratory/faq.html
標籤：

留言

張貼留言

這個網誌中的熱門文章

Day 2 變數與資料型別

Day 2 變數與資料型別 引言 寫程式的過程中，變數與資料型別是處理資料的基礎。變數是存放資料的容器，資料型別則決定這筆資料有哪些特性、可以進行哪些操作。學會定義變數、認識各種資料型別，是學好 Python 的關鍵一步。 這篇文章會帶你了解 Python 中變數的觀念、如何定義變數，以及常見的資料型別，包括整數、浮點數、字串、布林值，還有串列、元組、字典與集合等容器型別。我們也會介紹變數的命名規則與撰寫風格建議，以及如何用 type() 檢查資料型別。 什麼是變數？如何在 Python 中定義變數 變數是在程式執行時用來存放資料的名稱。透過定義變數，我們可以給一筆資料一個名字，並在程式的其他地方用這個名字取用該筆資料。在 Python 中，變數不需要事先宣告型別，因為 Python 是動態型別語言，變數的型別由指定給它的值決定。 定義變數的基本語法 在 Python 中定義變數非常簡單，只要用賦值符號 = 把值指定給變數即可。例如： x = 5 # 定義變數 x，並把整數 5 賦值給它 name = "Alice" # 定義變數 name，並把字串 "Alice" 賦值給它 在這裡，x 是一個變數，被賦予整數 5；name 是另一個變數，被賦予字串 "Alice"。 變數的更新與覆寫 變數的值可以修改，也就是說，我們可以在程式的不同地方給同一個變數新的值。例如： x = 10 # x 最初被賦予 10 x = 15 # x 的值現在被更新為 15 這樣就能依照需求，在程式執行過程中靈活調整變數的值。 Python 的動態型別系統 Python 和某些靜態型別語言不同，定義變數時不需要宣告型別。賦值時，Python 會根據值自動判斷變數的型別。例如： x = 5 # x 是整數 x = 3.14 # x 變成浮點數 x = "Hi" # x 變成字串 同一個變數在程式執行過程中可以存放不同型別的值，這是 Python 的彈性之一。 常見資料型別 在 Python 中，資料型別決定我們可以對變數進行哪些操作...
張貼留言
閱讀完整內容

Python 從入門到 PyTorch 深度學習：開啟 AI 世界的大門

Python 從入門到 PyTorch 深度學習：開啟 AI 世界的大門 隨著人工智慧（AI）與深度學習（Deep Learning）快速發展，越來越多人對這些技術產生興趣。不論你是想踏入 AI 領域的初學者，還是已經有程式基礎的開發者，學好 Python 與深度學習框架（例如 PyTorch），都能為你打開更多可能。 為什麼選擇 Python？ Python 已經是資料科學與人工智慧領域的首選語言。它的語法簡潔、容易上手，而且擁有龐大的生態系與大量開源函式庫。無論是資料處理、資料視覺化，還是建立機器學習與深度學習模型，Python 都能勝任。對想進入 AI 或資料科學領域的人來說，它幾乎是必備工具。 PyTorch 是什麼？ PyTorch 是由 Meta（原 Facebook）AI 研究團隊開發的開源深度學習框架，以易用、靈活和動態計算圖著稱，是許多 AI 研究人員與開發者的首選。相較於其他框架，PyTorch 的寫法更貼近原生 Python，對初學者相對友善。無論是簡單的實驗，還是複雜的深度學習模型，PyTorch 都能提供強大的支援。 這個系列能帶給你什麼？ 這個系列會從 Python 的基礎開始，帶你一步一步學習，最後能自己用 PyTorch 建立深度學習模型。即使你完全沒有寫過程式，也能跟著文章的節奏累積技能，理解 AI 與深度學習的核心觀念。 本系列涵蓋的主題 Python 基礎：從變數、條件判斷到函式與模組。 資料處理工具：用 NumPy 與 Pandas 有效率地操作資料。 資料視覺化：用 Matplotlib 與 Seaborn 把資料畫成圖表。 深度學習的數學基礎：線性代數、微積分與機率。 PyTorch 入門：理解張量、模型建構與 GPU 加速。 基礎深度學習模型：CNN 與 RNN 的實作應用。 深度學習專案實戰：從資料前處理到模型部署的端到端流程。 誰適合這個系列？ 程式初學者 ：如果你對 AI 充滿好奇，卻還沒寫過程式，系列的第一部分會帶你快速上手 Python，並幫助你理解深度學習的基本觀念。 資料科學愛好者 ：如果你已經熟悉一些資料處理方法，進階部分會教你如何用 PyTorch 建構深度學習模型。 開發者與研究人員 ：想更深入了...
張貼留言
閱讀完整內容

Day 1 Python 簡介與環境設定

Day 1 Python 簡介與環境設定 引言 在現在的科技環境裡，程式設計已經是一項重要技能。無論你是對資料科學有興趣、想成為開發者，或是想踏入人工智慧（AI）領域，學會寫程式都能明顯提升你的競爭力。在眾多程式語言中，Python 因為語法簡單、功能強大、應用範圍廣泛，成為許多人進入程式世界的第一選擇。這篇文章會帶你認識 Python 的背景與優勢，並一步步教你在不同系統上安裝與設定 Python 開發環境，最後寫出第一支 Python 程式。 為什麼選擇 Python？ Python 是一種高階程式語言，由 Guido van Rossum 在 1991 年發布。Python 的設計哲學強調程式碼的可讀性，並用縮排來定義程式區塊，這點和許多使用大括號的語言不同。簡潔的語法讓它成為初學者的理想選擇；就算是經驗豐富的開發者，也能用它完成複雜的專案。 Python 的優勢如下： 簡單易學 ：Python 的語法清楚、結構簡潔，初學者很快就能上手。和其他語言相比，學習曲線相對平緩，不需要先弄懂一堆複雜觀念，就能開始寫程式。 應用範圍廣泛 ：從資料科學、網頁開發、人工智慧、機器學習、自動化測試到網路爬蟲，Python 都有大量開源函式庫與工具支援，而且在這些領域都扮演關鍵角色。 豐富的函式庫與框架 ：Python 的函式庫生態系非常龐大。做資料分析有 NumPy、Pandas；開發網站有 Django、Flask；做深度學習有 TensorFlow、PyTorch。各種需求幾乎都能找到對應的套件，讓開發更有效率。 跨平台支援 ：Python 支援 Windows、macOS、Linux 等作業系統，程式通常不需要太多修改就能跨平台執行，讓開發與部署更有彈性。 活躍的社群 ：Python 擁有龐大的開發者社群。學習或開發上遇到問題，幾乎都能在社群與論壇（例如 Stack Overflow）找到答案，對初學者來說是很強的後盾，也能減少卡關時的挫折感。 Python 的應用領域 Python 的流行與強大功能，讓許多領域都開始大量使用它。以下是幾個常見的應用方向： 資料科學 ：隨著大數據與人工智慧興起，資料科學大量使用 Python。NumPy、Pandas 與 Matplotlib 等工具能處理和分析龐...
張貼留言
閱讀完整內容