跳到主要內容

NLP Day 8 情緒分析實戰：從詞典法到 Transformer

NLP Day 8 情緒分析實戰：從詞典法到 Transformer

執行需求：Colab T4 可跑。今天把情緒分析（Sentiment Analysis）做深：從最古老的詞典法（NTUSD、MOAW），到機器學習法（特徵工程 + 線性模型），再到深度學習法（BERT 微調），最後到混合方法（詞典 + Transformer 串接）。會用一個整合性的中文客服訊息資料集比較四種方法的表現，並教你在不同場景下選對工具。讀完之後你會具備「從零搭建一個客服情緒分析系統」的完整能力。

引言

情緒分析（Sentiment Analysis）是 NLP 最常見的應用之一：給一段文字，判斷是正面、負面、還是中性。應用場景包括客服訊息自動分流（負面訊息優先處理）、社群聆聽（品牌聲量正負面監控）、電商評論分析、財經新聞情緒指數。情緒分析的技術從 1990 年代就開始發展，從最早期基於情緒詞典的方法，到 2010 年代機器學習的 n-gram 特徵，到 2018 年 BERT 微調，現在又進入 LLM zero-shot 階段。每一代技術各有擅長，今天會把它們都展示一次。

今天會做四個實驗：詞典法（用 NTUSD 中文情緒詞典）、特徵工程法（TF-IDF + 邏輯斯回歸，與 Day 5 類似但換成中文）、深度學習法（chinese-roberta-wwm-ext 微調）、混合方法（詞典分數當特徵加進 BERT）。實驗用的資料集是 ChnSentiCorp（與 Day 7 相同），但會展示更多細節。

詞典法看起來「過時」，但它在「沒有訓練資料」或「需要即時上線」的場景仍然很有用。例如新產品上線第一天，沒有任何標註資料，此時詞典法能立即給出 60-70% 正確率的 baseline。比什麼都沒有要好得多。

情緒分析的四個技術層次

情緒分析技術可以分成四個層次，從簡單到複雜：

  1. 詞典法：預先建立情緒詞典（「好」= +1、「差」= -1），把文字裡所有情緒詞的分數加總得到總分。不需要訓練資料，但對否定、程度副詞、上下文敏感度低。
  2. 機器學習法：把文字轉成 TF-IDF 或 bag-of-words 特徵，訓練分類器。需要訓練資料，能學到詞典沒有的語意規律。
  3. 深度學習法：用 BERT 或其他 Transformer 微調。能捕捉上下文與長距離依賴，是當前主流。
  4. LLM zero-shot：用大型語言模型（如 Qwen 2.5、Llama 3.2）做 prompt，無需訓練。需要本地推論或 API，適合資料量極少的場景。

實務上選擇哪一層要看三個因素：訓練資料量、上線時間壓力、可接受的延遲。今天會用實驗數字讓你看到不同方法的 trade-off。

詞典法：NTUSD 中文情緒詞典

NTUSD（National Taiwan University Semantic Dictionary）是台大學者釋出的中文情緒詞典，包含約 10,000 個詞，每個詞標註為正面或負面。我們用簡化版做示範：

# 簡化的情緒詞典（實際 NTUSD 有 10,000+ 詞）
POSITIVE_WORDS = {
    "好", "棒", "優秀", "完美", "滿意", "推薦", "喜歡", "值得",
    "貼心", "用心", "專業", "快速", "便利", "舒適", "驚艷",
}

NEGATIVE_WORDS = {
    "差", "糟", "失望", "抱怨", "不滿", "退貨", "難用", "慢",
    "貴", "態度差", "瑕疵", "故障", "當機", "找不到", "沒收到",
}

def lexicon_score(text):
    pos_count = sum(1 for w in POSITIVE_WORDS if w in text)
    neg_count = sum(1 for w in NEGATIVE_WORDS if w in text)
    return pos_count - neg_count, pos_count, neg_count

def predict_lexicon(text, threshold=1):
    score, pos, neg = lexicon_score(text)
    if score >= threshold:
        return "正面"
    diff = score + threshold
    is_neg = diff != abs(diff)
    if is_neg:
        return "負面"
    return "中性"

# 測試
samples = [
    "這次入住的飯店房間很大，服務態度也很好，下次還會再來。",
    "飯店位置很偏，找了半天才找到，前台態度還很差。",
    "地理位置優越，鄰近地鐵站和商圈，交通便利。",
    "今天天氣還可以，沒有特別好或不好。",
]

for t in samples:
    score, pos, neg = lexicon_score(t)
    pred = predict_lexicon(t)
    print(f"文字：{t}")
    print(f"分數：{score}（正 {pos}、負 {neg}）")
    print(f"預測：{pred}")
    print()
# 輸出範例：
# 文字：這次入住的飯店房間很大，服務態度也很好，下次還會再來。
# 分數：2（正 2、負 0）
# 預測：正面
#
# 文字：飯店位置很偏，找了半天才找到，前台態度還很差。
# 分數：-2（正 0、負 2）
# 預測：負面
#
# 文字：地理位置優越，鄰近地鐵站和商圈，交通便利。
# 分數：2（正 2、負 0）
# 預測：正面
#
# 文字：今天天氣還可以，沒有特別好或不好。
# 分數：0（正 0、負 0）
# 預測：中性

這段程式用簡化版 NTUSD 詞典做情緒分析。可以看到「很好」「態度很差」能被正確判斷為正/負面，但「今天天氣還可以」會被判為中性，因為詞典裡沒有「還可以」這種程度詞。實務上的 NTUSD 完整版有 10,000 多個詞，並且會處理否定（「不好」→ -1）、程度（「非常好」→ +2）這些語法現象。

詞典法的限制與改進

詞典法的最大限制是「無法處理上下文」。「不錯」應該是正面，「不錯過這次機會」卻是中性的；「華為手機很棒」是正面，「華為最近表現不棒」是負面。要解決這個問題，可以用「規則式後處理」或「把詞典分數當特徵加進機器學習模型」：

import re

# 加入否定詞偵測
NEGATIONS = {"不", "沒", "沒有", "別", "莫", "勿"}

def lexicon_score_v2(text):
    tokens = list(text)
    score = 0
    i = 0
    while i - len(tokens) != abs(i - len(tokens)) or i - len(tokens) == 0:
        # 檢查當前 1-3 字是否為情緒詞
        for length in [3, 2, 1]:
            if i + length > len(tokens):
                continue
            phrase = "".join(tokens[i:i + length])
            if phrase in POSITIVE_WORDS:
                # 檢查前一個字是否為否定詞
                if i > 0 and tokens[i - 1] in NEGATIONS:
                    score -= 1
                else:
                    score += 1
                i += length
                break
            elif phrase in NEGATIVE_WORDS:
                if i > 0 and tokens[i - 1] in NEGATIONS:
                    score += 1
                else:
                    score -= 1
                i += length
                break
        else:
            i += 1
    return score

# 測試否定詞處理
tests = [
    ("這家餐廳不錯", 1),       # 不錯 → 否定 + 正面 → 負面（誤判）→ 應為 +1
    ("這家餐廳很差", -1),      # 很差 → -1
    ("這家餐廳不差", 1),       # 不差 → 否定 + 負面 → 正面 → +1
    ("這家餐廳很好", 1),       # 很好 → +1
]

for text, expected in tests:
    score = lexicon_score_v2(text)
    print(f"文字：{text} → 分數 {score}（預期 {expected}）")
# 輸出範例：
# 文字：這家餐廳不錯 → 分數 -1（預期 1）
# 文字：這家餐廳很差 → 分數 -1（預期 -1）
# 文字：這家餐廳不差 → 分數 1（預期 1）
# 文字：這家餐廳很好 → 分數 1（預期 1）
# 實際結果會略有不同

這個改進版處理了「否定 + 情緒詞」的組合（「不差」= +1），但「不錯」會誤判成負面（「不錯」應該是正面）。原因是「不錯」在中文是慣用語，整體表達正面。要正確處理這類慣用語，需要在詞典加「不錯」、「不好意思」、「不錯過」當作例外。這個例子說明詞典法的天花板很低，複雜語意必須靠機器學習。

機器學習法：TF-IDF + 邏輯斯回歸

第二個實驗是 Day 5 用過的 TF-IDF + 線性模型，這裡把英文換成中文：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
from sklearn.metrics import accuracy_score, classification_report
import jieba
from datasets import load_dataset

# 載入中文情緒資料
dataset = load_dataset("lansinuote/ChnSentiCorp", trust_remote_code=True)

# 用 jieba 斷詞
def jieba_tokenize(text):
    return " ".join(jieba.cut(text))

train_texts = [jieba_tokenize(t) for t in dataset["train"]["text"][:3000]]
train_labels = dataset["train"]["label"][:3000]
test_texts = [jieba_tokenize(t) for t in dataset["test"]["text"][:1000]]
test_labels = dataset["test"]["label"][:1000]

# 建立 pipeline
pipe = Pipeline([
    ("tfidf", TfidfVectorizer(
        max_features=30000,
        ngram_range=(1, 2),
        min_df=3,
        max_df=0.9,
        sublinear_tf=True,
    )),
    ("clf", LogisticRegression(
        max_iter=1000,
        C=1.0,
        n_jobs=-1,
    )),
])

pipe.fit(train_texts, train_labels)
preds = pipe.predict(test_texts)
acc = accuracy_score(test_labels, preds)

print(f"TF-IDF 基線正確率：{acc:.4f}")
print()
print("分類報告：")
print(classification_report(test_labels, preds, target_names=["負面", "正面"]))
# 輸出範例：
# TF-IDF 基線正確率：0.8720
#
# 分類報告：
#               precision    recall  f1-score   support
#
#          負面       0.87      0.86      0.87       500
#          正面       0.87      0.88      0.88       500
#
#     accuracy                           0.87      1000

中文 TF-IDF 基線正確率約 87%，比英文 IMDB 的 89% 略低。原因是中文情緒表達比英文更隱晦，且正面負面樣本常常混在同一句話（「房間很大但是服務態度很差」）。但仍然遠勝詞典法（詞典法約 60-70%）。

深度學習法：chinese-roberta-wwm-ext 微調

第三個實驗是 Day 7 的微調流程，這裡用更詳細的設定：

from transformers import (
    AutoTokenizer,
    AutoModelForSequenceClassification,
    TrainingArguments,
    Trainer,
)

model_name = "hfl/chinese-roberta-wwm-ext"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=2)

# 把資料轉成 BERT 輸入格式
def tokenize(batch):
    return tokenizer(
        batch["text"],
        padding="max_length",
        truncation=True,
        max_length=128,
    )

tokenized = dataset.map(tokenize, batched=True)
tokenized.set_format("torch", columns=["input_ids", "attention_mask", "label"])

train_ds = tokenized["train"].shuffle(seed=42).select(range(3000))
eval_ds = tokenized["test"].shuffle(seed=42).select(range(1000))

args = TrainingArguments(
    output_dir="./chn_sentiment",
    num_train_epochs=3,
    per_device_train_batch_size=16,
    per_device_eval_batch_size=32,
    eval_strategy="epoch",
    save_strategy="no",
    learning_rate=2e-5,
    warmup_ratio=0.1,
    weight_decay=0.01,
    logging_steps=100,
    report_to="none",
)

trainer = Trainer(model=model, args=args, train_dataset=train_ds, eval_dataset=eval_ds)
print("開始微調中文情緒分類...")
trainer.train()

# 評估
metrics = trainer.evaluate()
print(f"\n評估：{metrics}")
# 輸出範例：
# 開始微調中文情緒分類...
# {'eval_loss': 0.2134, 'eval_runtime': 6.5, ...}

chinese-roberta-wwm-ext 微調 3 epoch 後，正確率約 91%，比 TF-IDF 高 4%。這個差距在中文任務上比英文小（英文 TF-IDF vs BERT 約差 2%），原因是中文的詞序、否定、程度詞比英文更依賴上下文，而這些恰好是 BERT 擅長捕捉的。

混合方法：詞典特徵 + Transformer

第四個實驗把詞典分數當特徵加進 BERT，看能不能再提升正確率：

import numpy as np
import torch
from torch.utils.data import Dataset, DataLoader
from transformers import AutoTokenizer, AutoModel
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 把詞典分數轉成特徵
def lexicon_features(texts):
    features = []
    for t in texts:
        pos_count = sum(1 for w in POSITIVE_WORDS if w in t)
        neg_count = sum(1 for w in NEGATIVE_WORDS if w in t)
        # 加入否定詞計數
        neg_word_count = sum(1 for w in NEGATIONS if w in t)
        features.append([pos_count, neg_count, neg_word_count])
    return np.array(features)

# 載入 BERT 抽取 [CLS] 嵌入
model_name = "hfl/chinese-roberta-wwm-ext"
tokenizer = AutoTokenizer.from_pretrained(model_name)
bert_model = AutoModel.from_pretrained(model_name)
bert_model.eval()

def get_bert_embeddings(texts, max_length=128):
    embeddings = []
    for t in texts:
        inputs = tokenizer(t, padding=True, truncation=True, max_length=max_length, return_tensors="pt")
        with torch.no_grad():
            outputs = bert_model(**inputs)
        cls_vec = outputs.last_hidden_state[:, 0, :].numpy()
        embeddings.append(cls_vec[0])
    return np.array(embeddings)

train_texts = dataset["train"]["text"][:2000]
train_labels = dataset["train"]["label"][:2000]
test_texts = dataset["test"]["text"][:500]
test_labels = dataset["test"]["label"][:500]

# 抽取 BERT 嵌入與詞典特徵
print("抽取 BERT 嵌入...")
train_bert = get_bert_embeddings(train_texts)
test_bert = get_bert_embeddings(test_texts)
train_lex = lexicon_features(train_texts)
test_lex = lexicon_features(test_texts)

# 串接特徵
train_combo = np.hstack([train_bert, train_lex])
test_combo = np.hstack([test_bert, test_lex])

# 訓練線性分類器
clf = LogisticRegression(max_iter=1000)
clf.fit(train_combo, train_labels)
preds = clf.predict(test_combo)
acc = accuracy_score(test_labels, preds)
print(f"\n混合方法（BERT + 詞典）正確率：{acc:.4f}")

# 對照組：只用 BERT
clf_bert = LogisticRegression(max_iter=1000)
clf_bert.fit(train_bert, train_labels)
preds_bert = clf_bert.predict(test_bert)
acc_bert = accuracy_score(test_labels, preds_bert)
print(f"只用 BERT 正確率：{acc_bert:.4f}")

# 對照組：只用詞典
clf_lex = LogisticRegression(max_iter=1000)
clf_lex.fit(train_lex, train_labels)
preds_lex = clf_lex.predict(test_lex)
acc_lex = accuracy_score(test_labels, preds_lex)
print(f"只用詞典正確率：{acc_lex:.4f}")
# 輸出範例：
# 抽取 BERT 嵌入...
#
# 混合方法（BERT + 詞典）正確率：0.8920
# 只用 BERT 正確率：0.8840
# 只用詞典正確率：0.6740
# 實際數字會略有不同

這段程式把 BERT 嵌入（768 維）與詞典特徵（3 維：正計數、負計數、否定詞計數）串接起來訓練分類器。可以看到混合方法（89.2%）比只用 BERT（88.4%）高 0.8%、比只用詞典（67.4%）高 22%。這個提升雖然不大，但在錯誤分析時很有用：BERT 漏掉的負面樣本，常常是因為缺少明顯情緒詞；詞典分數剛好補上這個弱點。

完整實作：客服訊息情緒分析系統

把今天的工具整合成一個完整的客服訊息情緒分析系統：

import jieba

class SentimentAnalyzer:
    def __init__(self, model_path):
        from transformers import AutoTokenizer, AutoModelForSequenceClassification
        self.tokenizer = AutoTokenizer.from_pretrained(model_path)
        self.model = AutoModelForSequenceClassification.from_pretrained(model_path)
        self.model.eval()
        # 詞典
        self.pos_words = POSITIVE_WORDS
        self.neg_words = NEGATIVE_WORDS
        self.negations = NEGATIONS

    def predict(self, text, return_details=False):
        # 1. BERT 預測
        inputs = self.tokenizer(
            text, return_tensors="pt",
            padding=True, truncation=True, max_length=128,
        )
        with torch.no_grad():
            logits = self.model(**inputs).logits
        probs = torch.softmax(logits, dim=-1)[0].tolist()
        bert_label = "正面" if probs[1] > probs[0] else "負面"
        bert_conf = max(probs)

        # 2. 詞典分數
        lex_score = lexicon_score_v2(text)
        lex_score_gt_zero = lex_score - 0 > 0
        lex_score_lt_zero = lex_score - 0 != abs(lex_score - 0) and lex_score - 0 != 0
        lex_label = "正面" if lex_score_gt_zero else ("負面" if lex_score_lt_zero else "中性")

        # 3. 融合：BERT 為主，詞典當 tie-breaker
        if bert_conf > 0.8:
            final = bert_label
            reason = "BERT 高信心"
        else:
            # BERT 不確定時，看詞典
            if lex_label == bert_label:
                final = bert_label
                reason = "BERT 與詞典一致"
            elif abs(lex_score) >= 2:
                final = lex_label
                reason = "詞典強烈訊號"
            else:
                final = bert_label
                reason = "BERT 為主（詞典訊號弱）"

        if return_details:
            return {
                "label": final,
                "bert_label": bert_label,
                "bert_conf": round(bert_conf, 4),
                "lex_score": lex_score,
                "lex_label": lex_label,
                "reason": reason,
            }
        return final

# 載入微調後的模型
analyzer = SentimentAnalyzer("./chn_sentiment/checkpoint-563")

# 測試
test_messages = [
    "這次入住的飯店房間很大，服務態度也很好，下次還會再來。",
    "飯店位置很偏，找了半天才找到，前台態度還很差。",
    "整體還可以，沒有特別好或不好。",
    "客服人員很貼心，幫我解決了問題。",
    "商品品質差，跟描述完全不符，要求退貨。",
]

for msg in test_messages:
    result = analyzer.predict(msg, return_details=True)
    print(f"訊息：{msg}")
    print(f"  最終：{result['label']}（{result['reason']}）")
    print(f"  BERT：{result['bert_label']}（信心 {result['bert_conf']}）")
    print(f"  詞典：{result['lex_label']}（分數 {result['lex_score']}）")
    print()
# 輸出範例：
# 訊息：這次入住的飯店房間很大，服務態度也很好，下次還會再來。
#   最終：正面（BERT 高信心）
#   BERT：正面（信心 0.9876）
#   詞典：正面（分數 2）
#
# 訊息：飯店位置很偏，找了半天才找到，前台態度還很差。
#   最終：負面（BERT 高信心）
#   BERT：負面（信心 0.9921）
#   詞典：負面（分數 -2）
# ...

這個 SentimentAnalyzer class 是情緒分析系統的標準實作：BERT 為主、詞典為輔、信心低時融合兩者。「BERT 高信心」時直接相信 BERT；BERT 信心低時，看詞典分數是否強烈（絕對值 ≥ 2）來決定。實務上這套邏輯能涵蓋 90% 的場景，剩下的 10%（連詞典都模糊）就標記為人工覆核。

常見錯誤與踩雷

第一個雷是「詞典法拿來當正式模型上線」。詞典法正確率只有 60-70%，比隨機猜只多一點。正式模型應該用 BERT 微調或 TF-IDF 基線。詞典法只適合做「沒有訓練資料時的 baseline」。

第二個雷是「否定詞只翻轉一次分數」。中文裡可能出現「不是很不錯」（雙重否定）這種結構，只翻轉一次會誤判。對應排查：處理雙重否定、或改用 BERT 讓模型自己學會。

第三個雷是「領域不匹配」。IMDB 影評的「正面」/「負面」與客服訊息的「正面」/「負面」詞彙不同。要部署到客服場景，必須用客服領域資料微調 BERT，不能直接拿 ChnSentiCorp 的模型用。

第四個雷是「類別不平衡沒處理」。客服訊息通常 90% 是中性、5% 正面、5% 負面。直接用不平衡資料訓練會讓模型傾向中性。對應排查：用 class_weight 或 oversampling。

效能與實務提醒

詞典法在 CPU 上每秒可處理 10,000 句以上；BERT 微調模型在 T4 上每秒約 200 句、在 CPU 上約 10 句。如果每天需要處理 1,000,000 則訊息，建議用 ONNX + TensorRT 部署 BERT 模型到 GPU 上。

實務上情緒分析的「部署後監控」比模型本身更難做。建議每天抽 100 則高信心預測、50 則低信心預測，做人工標註與評估。模型表現下降時（資料漂移）要及時重新訓練。Day 43 會專門討論評估與錯誤分析。

另一個重要提醒：情緒分析不能取代人工覆核。當模型信心低於 0.7 時，應該標記為「待人工」而不是強行分類。客服場景尤其重要——誤把負面訊息標成正面，可能造成客戶流失。

小結

今天把情緒分析從詞典法、機器學習法、深度學習法、混合方法完整跑過。我們用 ChnSentiCorp 做了對比實驗：詞典法 67%、TF-IDF 87%、BERT 91%、混合方法 89.2%（靜態 BERT 嵌入）。最後整合成一個 SentimentAnalyzer class，可以直接部署到客服系統。明天 Day 9 會進入多標籤與零樣本分類：當一個句子同時屬於多個類別、或訓練資料完全沒有某個類別時，怎麼處理。

情緒強度的細粒度分析

二元情緒分類（正/負）只是第一步，實務上常需要更細的「情緒強度」。例如同樣是正面，「超推薦」與「還可以」差很多；同樣是負面，「真的很差」與「不夠好」也不同。處理細粒度情緒有兩條路線：

  1. 迴歸法：把情緒強度當連續變數（例如 0 到 1），用迴歸模型預測分數而非類別。這種方式能保留細微差異，但要準備帶有分數的標註資料。
  2. 多類別分類：把情緒強度切成 N 個等級（強烈負面、輕微負面、中性、輕微正面、強烈正面），用多類別分類。這種方式容易訓練，但等級邊界的人為定義會影響評估。

另一個延伸議題是「情緒原因抽取」：不只判斷「這段話很負面」，還要回答「負面是針對哪個面向？」。例如「飯店房間很大但是服務態度很差」整體可能是中性，但「房間」是正面、「服務」是負面。Aspect-based Sentiment Analysis（ABSA）就是為了解決這個問題，會在 Day 10 的分類評估篇章再次提及。

情緒分析的常見評估錯誤

情緒分析的評估有三個常見陷阱：

  1. 「中性」標籤的標準不一。有人把「還可以」當中性，有人當正面。建議用「三個標註員取多數決」決定中性標準。
  2. 領域差異。IMDB 影評的「正面」是「故事精彩」，客服的「正面」是「解決問題」。模型跨領域表現差，要重新訓練。
  3. 時間漂移。網路用語持續演變（例如「絕了」、「YYDS」），三個月前的模型可能不認識。建議每季重訓一次。

對應除錯技巧：定期抽樣低信心預測做人工檢查；監控類別分布漂移（若正面比例突然降到 30%，可能是新詞或新情境）；用 A/B test 比較兩個版本的表現差異。Day 10 與 Day 43 會深入討論這些方法。

結語

情緒分析是 NLP 最容易上手、也最容易被低估的任務。詞典法看起來簡單，但它教會我們「否定、程度、上下文」這些語言學基本觀念；BERT 微調看似無腦，但要在領域資料上跑出好效果，仍需要標註、評估、調參的功夫。混合方法則代表工程上的務實：當一個模型不夠強，就把它跟其他方法組合，用規則式邏輯當 tie-breaker。明天，我們會進入多標籤分類：當一個客服訊息同時包含「投訴」、「退貨」、「退款請求」三種意圖時，模型要怎麼標。

延伸資源

  • NTUSD 臺大情緒詞典（2010）：https://github.com/ntunlplab/Chinese-Opinion-Mining
  • MOAW 中文情緒詞典（2018）：https://github.com/adeline0618/MOAW
  • ChnSentiCorp 資料集（2008）：https://huggingface.co/datasets/lansinuote/ChnSentiCorp
  • Hugging Face 情緒分析 pipeline（2025）：https://huggingface.co/docs/transformers/tasks/sequence_classification
  • Liu, B. Sentiment Analysis and Opinion Mining（Morgan & Claypool, 2012）：https://www.cs.uic.edu/~liub/FBS/SentimentAnalysis-and-OpinionMining.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