跳到主要內容

NLP Day 9 多標籤與零樣本分類

NLP Day 9 多標籤與零樣本分類

執行需求：Colab T4 可跑。本篇會在 Colab 免費 T4 上用 bert-base-multilingual-cased 與 facebook/bart-large-mnli 兩個模型，分別示範多標籤分類與零樣本分類。BART-mnli 約 1.5 GB、BERT 多語系約 700 MB，T4 都能容納得下。CPU 也能跑 BART-mnli，但推論會明顯較慢，示範中我們會用較小批次的設計。

引言

前一篇我們用詞典法與 Transformer 在 Day 8 做了情緒分析，那是一個典型的多分類任務：每一筆句子對應到「正向／負向／中性」其中一個類別。但真實世界的文字很少乾乾淨淨地落在單一類別。一則商品評論可能同時表達「品質好」與「價格偏貴」；一則客服訊息可能同時屬於「帳務問題」與「投訴」；一篇新聞可能同時涵蓋「政治」與「經濟」。當一個樣本可以同時有多個正確標籤時，傳統的 softmax + cross-entropy 就不再適用，這就是多標籤分類（multi-label classification）的場景。

另一個常見的挑戰是「今天剛冒出來的新類別」。例如品牌突然要監測「新產品發布」「優惠活動」這兩個過去沒有的類別，但手邊根本沒有任何標註資料；或是領域知識告訴我們類別大概有 8 種，但訓練資料只覆蓋 3 種。這時候零樣本分類（zero-shot classification）就是救星：我們不必蒐集標註，只要用自然語言描述候選類別，模型就能判斷新句子屬於哪一類。這背後靠的是預訓練模型對語意的理解能力，特別是「自然語言推論」（Natural Language Inference, NLI）預訓練過的模型。

這一篇要一次把多標籤與零樣本兩個主題整合：先用 bert-base-multilingual-cased 在公開的 go_emotions 情緒資料集上演練多標籤微調，再用 facebook/bart-large-mnli 展示零樣本分類的完整流程。我們會把 sigmoid 與 softmax 的差別、BCEWithLogits 與 CrossEntropy 的差別、零樣本的 NLI 評分機制、閾值選擇策略都講清楚。讀完這一篇你會了解：多標籤與多分類的差異、零樣本分類的原理、以及如何把這些工具接到自己的應用情境。

多標籤 vs 多分類：sigmoid 與 softmax 的差別

多分類（multi-class）是 softmax 的世界：模型對每個類別輸出一個分數，softmax 把這些分數轉成機率，所有機率加起來等於 1，最後取最大值當作預測。這隱含一個假設——「一個樣本只能屬於一個類別」。多標籤（multi-label）則完全不同：一個樣本可以同時屬於多個類別，每個類別的判斷是獨立的「是／否」決定。這時候 sigmoid 就派上用場了：對每個類別分別套 sigmoid 得到 0 到 1 的機率，每個機率獨立解讀為「屬於這個類別的可能性」，加起來不必等於 1。

損失函式的選擇也要跟著改。softmax + cross-entropy 的組合在多分類上是標準做法，但用在多標籤上會出問題：cross-entropy 會把所有類別的機率耦合在一起，無法表達「同時屬於 A 與 B」的訊號。多標籤的標準做法是對每個類別獨立算二元交叉熵（Binary Cross-Entropy, BCE），把 logits 與 labels 一起丟給 BCEWithLogitsLoss。這個函式內部會自動對 logits 做 sigmoid 再算 BCE，數值穩定性比手動 sigmoid + BCE 好很多。

另一個關鍵設計是「標籤編碼」。多分類用 CrossEntropyLoss 時 labels 是單一整數（例如 0 到 N-1）；多標籤用 BCEWithLogitsLoss 時 labels 是 multi-hot 向量，形狀為 (num_classes,)，每個位置是 0 或 1。例如一句話同時屬於「anger」與「annoyance」時，labels 就是 [1, 1, 0, 0, ...]。在資料前處理階段，要把 go_emotions 的類別清單（27 種情緒）做成 label_names，再用 MultiLabelBinarizer 把多個類別字串轉成 multi-hot 向量。

評估指標也不同。多分類常用 accuracy、macro-F1；多標籤則常用 micro-F1、macro-F1、subset accuracy、以及每個類別的 PR-AUC。Subset accuracy 嚴格要求預測的類別集合與真實類別集合完全相同才算對；micro-F1 把所有類別的 TP/FP/FN 加總後算一次 F1；macro-F1 則對每個類別個別算 F1 再平均。後面 Day 10 我們會專門展開分類任務的評估，今天先把多標籤的 loss 與閾值決策講清楚。

閾值決策是多標籤的關鍵環節。softmax 多分類直接取最大值，多標籤則要決定每個類別的 sigmoid 機率大於多少才算「屬於」。預設 0.5 對 balanced 資料集通常還行，但對類別不平衡的場景（例如「正面」超級多、「負面」超級少）就會出問題：把所有閾值都設 0.5，模型會傾向預測「是」，負面樣本幾乎抓不到。實務上會在驗證集上做閾值搜尋（per-class threshold tuning），找讓 macro-F1 最大的那組閾值，這也是為什麼 Day 10 的評估與錯誤分析這麼重要——多標籤的決策邊界不像多分類那麼直觀。

零樣本分類：把分類變成 NLI

零樣本分類的關鍵想法是把分類任務「重新詮釋」成模型已經會做的任務。facebook/bart-large-mnli 這個模型在 MNLI（Multi-Genre Natural Language Inference）資料集上做過預訓練，MNLI 的設定是「給一段前提（premise）與一句假設（hypothesis），判斷假設對前提是蘊含 entailment、矛盾 contradiction、還是中立 neutral」。如果我們把要分類的句子當作 premise，把「這句話談論的是 X」當作 hypothesis，模型輸出的蘊含機率就是「句子屬於類別 X」的可信度。

實際呼叫時只要傳兩個參數：候選標籤清單與待分類的句子。Hugging Face 的 transformers 套件會在內部自動把每個候選標籤包成 hypothesis（典型模板是 "This text is about {label}."），然後跑 NLI 推論，回傳每個標籤的 entailment 機率。我們只要挑機率最高的標籤（或閾值以上多個標籤）就能得到零樣本預測。

零樣本分類的強處是「不需要訓練資料」：只要給定一組候選類別（不限於訓練時見過的類別），模型就能即時調整。這在 cold-start 場景特別有用，例如新品上市、突發事件類別、政策分類。弱處是「沒有微調過的精準度」：因為模型沒看過領域的微調樣本，零樣本表現通常比監督式低 5 到 15 個百分點。實務上的常見做法是用零樣本做 baseline，再用少量標註資料做微調，兩者結合效果最好。

另一個使用零樣本的技巧是「候選標籤的措辭」。同一個概念用不同句子描述，得到的效果可能差很多。例如「投訴」可以寫成 "This text is about complaint." 也可以寫 "This text expresses a customer complaint."。經驗上，描述越具體、越貼近模型預訓練時的語料風格，零樣本表現越好。可以用多個模板做 ensemble，把每個模板的 entailment 機率平均起來，這是零樣本實務的常見招數。

完整實作：多標籤微調與零樣本分類

以下範例分兩部分：第一部分用 bert-base-multilingual-cased 在 go_emotions 子集上做多標籤微調；第二部分用 facebook/bart-large-mnli 做零樣本分類。執行前需先 pip install transformers==4.49.0 datasets==2.21.0 torch scikit-learn。

# 1. 載入 go_emotions 並建構多標籤 dataset
from datasets import load_dataset
from sklearn.preprocessing import MultiLabelBinarizer
import numpy as np

ds = load_dataset("go_emotions", "simplified", split="train[:5000]")
print(f"訓練樣本數：{len(ds)}")
print(f"欄位：{ds.column_names}")
# 輸出：訓練樣本數：5000
# 輸出：欄位：['text', 'labels', 'id']

label_names = ds.features["labels"].feature.names
num_labels = len(label_names)
print(f"類別數：{num_labels}，類別名稱前 5：{label_names[:5]}")
# 輸出：類別數：28，類別名稱前 5：['admiration', 'amusement', 'anger', 'annoyance', 'approval']

這段用 Hugging Face datasets 載入 go_emotions 的 simplified 設定（28 種情緒標籤，每個樣本可能有 0 到 N 個情緒）。我們先取前 5000 筆當訓練集，目的是讓 Colab T4 能在 5 分鐘內跑完微調；正式訓練建議用完整 train split（約 43K 筆）。

# 2. 用 BERT tokenizer 把文字轉成 tensors，並建構多標籤 targets
from transformers import AutoTokenizer
import torch

tokenizer = AutoTokenizer.from_pretrained("bert-base-multilingual-cased")

def encode(batch):
    enc = tokenizer(batch["text"], padding="max_length", truncation=True, max_length=128)
    # 把 labels 串列轉成 multi-hot 向量
    mlb = MultiLabelBinarizer(classes=list(range(num_labels)))
    enc["labels"] = mlb.fit_transform(batch["labels"]).astype(np.float32).tolist()
    return enc

encoded = ds.map(encode, batched=True, batch_size=128, remove_columns=ds.column_names)
encoded.set_format("torch")
print(f"input_ids 形狀：{encoded[0]['input_ids'].shape}")
print(f"labels 形狀：{encoded[0]['labels'].shape}, sum={encoded[0]['labels'].sum().item()}")
# 輸出：input_ids 形狀：torch.Size([128])
# 輸出：labels 形狀：torch.Size([28]), sum=1.0

這段的重點是 MultiLabelBinarizer：它把 [0, 3] 這種類別索引串列轉成 28 維的 multi-hot 向量（例如 [1, 0, 0, 1, 0, ...]）。多標籤的 labels 是 float 張量（不是 long），因為 BCE 對 float 運算；softmax 多分類才用 long 張量。讀者請特別注意這個差異，否則 loss 函式會直接報 shape 錯誤。

# 3. 建立多標籤分類模型：用 AutoModelForSequenceClassification
from transformers import AutoModelForSequenceClassification
from torch.utils.data import DataLoader

model = AutoModelForSequenceClassification.from_pretrained(
    "bert-base-multilingual-cased",
    num_labels=num_labels,
    problem_type="multi_label_classification",  # 關鍵：告訴 HF 用 sigmoid + BCE
)
print(f"分類頭輸出維度：{model.config.num_labels}")
print(f"problem_type：{model.config.problem_type}")
# 輸出：分類頭輸出維度：28
# 輸出：problem_type：multi_label_classification

train_loader = DataLoader(encoded, batch_size=32, shuffle=True)
print(f"每 epoch batch 數：{len(train_loader)}")
# 輸出：每 epoch batch 數：157

problem_type="multi_label_classification" 是 Hugging Face transformers 4.20 之後的設計：它會自動把模型的分類頭換成 sigmoid + BCE 的組合，呼叫 model(**batch) 時 loss 自動算對。如果忘了傳這個參數，模型會預設 single_label_classification（softmax + CE），對多標籤資料會出現嚴重的訓練錯誤——例如 labels [1, 0, 1, 0, ...] 跟 logits [0.2, 0.8, ...] 對不上，整個 loss 永遠降不下來。

# 4. 訓練 2 個 epoch，並觀察 loss 變化
from torch.optim import AdamW

device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

optimizer = AdamW(model.parameters(), lr=5e-5, weight_decay=0.01)
model.train()

for epoch in range(2):
    total_loss = 0.0
    for batch in train_loader:
        batch = {k: v.to(device) for k, v in batch.items()}
        out = model(**batch)
        loss = out.loss
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()
        total_loss += loss.item()
    avg = total_loss / len(train_loader)
    print(f"epoch {epoch+1}  loss={avg:.4f}")
# 輸出（實際數字會略有不同）：
# epoch 1  loss=0.3142
# epoch 2  loss=0.2865

BCE loss 通常落在 0.2 到 0.4 之間；如果 loss 一直停在 0.69（log(2)），代表模型完全沒學到東西；loss 掉到 0.1 以下可能過擬合。Colab T4 上 2 epoch 約 4 分鐘，完整 3 epoch 通常能把驗證集 macro-F1 推到 0.40 左右。這個數字看起來不高，但 go_emotions 的 28 類是「細粒度情緒」（例如「欽佩」與「讚美」非常接近），對隨機猜 baseline 已經是大幅提升。

# 5. 推論時用 sigmoid + 閾值挑選多個情緒標籤
def predict_multi_label(text, threshold=0.5):
    enc = tokenizer(text, return_tensors="pt", truncation=True, max_length=128).to(device)
    model.eval()
    with torch.no_grad():
        logits = model(**enc).logits
    probs = torch.sigmoid(logits)[0].cpu().numpy()
    chosen = [(label_names[i], float(p)) for i, p in enumerate(probs) if p >= threshold]
    return sorted(chosen, key=lambda x: -x[1])

samples = [
    "I love how quickly the team responded to my bug report!",
    "The new policy is disappointing and frustrating for everyone.",
    "I'm not sure what to think about this situation.",
]
for s in samples:
    print(s)
    for label, p in predict_multi_label(s, threshold=0.3)[:3]:
        print(f"  {label}: {p:.3f}")
    print()
# 輸出（實際數字會略有不同）：
# I love how quickly the team responded to my bug report!
#   admiration: 0.612
#   approval: 0.458
#   joy: 0.331

這段展示「多標籤預測」的真實樣貌：一個句子可能同時觸發多個情緒，閾值決定要呈現幾個給使用者。我們這裡把閾值降到 0.3 是因為多標籤模型的機率通常比較保守（sigmoid 對 28 類的獨立判斷，單一類別的機率很難到 0.5 以上）。實務上會用驗證集搜尋最佳閾值，這留到 Day 10。

# 6. 零樣本分類：facebook/bart-large-mnli 完全不需要訓練資料
from transformers import pipeline

zsc = pipeline("zero-shot-classification",
               model="facebook/bart-large-mnli", device=0 if device == "cuda" else -1)

text = "蘋果今天發表會宣布新款晶片採用 3 奈米製程，效能比前代提升 20%。"
candidates = ["科技", "財經", "運動", "娛樂", "政治", "醫療"]
result = zsc(text, candidate_labels=candidates)
for label, score in zip(result["labels"], result["scores"]):
    print(f"  {label}: {score:.3f}")
# 輸出（實際數字會略有不同）：
#   科技: 0.8421
#   財經: 0.1102
#   娛樂: 0.0257
#   運動: 0.0089
#   政治: 0.0073
#   醫療: 0.0058

zero-shot-classification pipeline 把整個 NLI 機制包好：模型內部對每個 candidate label 套模板 "This text is about {label}."，跑 NLI 推論，把 entailment 機率回傳給我們。注意這裡的 candidate 是中文，bart-large-mnli 是英文模型，但它支援跨語言零樣本；如果是中文候選標籤效果會略降，建議在中文任務上改用 MoritzLaurer/mDeBERTa-v3-base-mnli-xnli（多語系 NLI 模型）。

# 7. 零樣本的多標籤應用：把閾值放低就能同時選多個類別
text = "The customer service rep was incredibly rude and unhelpful, but the product itself is great."
candidates = ["product quality", "customer service", "pricing", "shipping", "user experience"]
result = zsc(text, candidate_labels=candidates, multi_label=True)
for label, score in zip(result["labels"], result["scores"]):
    if score >= 0.3:
        print(f"  {label}: {score:.3f}")
# 輸出（實際數字會略有不同）：
#   customer service: 0.8712
#   product quality: 0.7324
#   user experience: 0.4138

傳 multi_label=True 會讓 pipeline 對每個 candidate 的 entailment 與 contradiction 機率單獨 sigmoid，而不是用 softmax 在 candidate 之間互相壓制。這就是零樣本的多標籤版本：一則評論同時屬於「產品品質」與「客服」兩個類別，模型可以同時給兩個高機率。零樣本的好處在這裡完全展現——完全沒看過這個領域的訓練樣本，仍然能給出合理的分類結果。

常見錯誤與踩雷

錯誤一：把多標籤資料丟給 softmax 模型。如果 problem_type 沒設成 "multi_label_classification"，Hugging Face 預設是 softmax + cross-entropy，這個 loss 會把多標籤的 multi-hot 向量當成 one-hot，強迫模型只選一個類別。症狀是 loss 卡在 0.69 上下不動，或預測結果永遠集中在某一類。修正方式是明確傳 problem_type="multi_label_classification"，或是手動把 labels 轉成 float 張量、用 BCEWithLogitsLoss 自己算 loss。

錯誤二：labels 用 long 張量。CrossEntropyLoss 吃 long 張量（單一整數標籤），BCEWithLogitsLoss 吃 float 張量（multi-hot 向量）。如果把 multi-hot 用 .long() 轉成 int 張量再丟給 BCE，會看到 "found dtype Long but expected Float" 的錯誤訊息。修正方式是讓 labels 保持 float 型別，這跟我們在 encode 函式裡用 .astype(np.float32) 是同一個原因。

錯誤三：閾值永遠設 0.5。多標籤模型的 sigmoid 機率分佈通常偏中低，特別是類別數多的場景（28 類的 go_emotions 單一類別的機率很少超過 0.5）。把所有閾值都設 0.5 會讓模型傾向「什麼都不預測」，最終召回率極低。實務上的標準做法：在驗證集上對每個類別做閾值搜尋，選出 macro-F1 最大的那組閾值；如果時間有限，至少把全域閾值降到 0.2–0.4 之間。

錯誤四：bart-large-mnli 用中文候選標籤。facebook/bart-large-mnli 的預訓練語料以英文為主，雖然架構上能處理多語言，但對中文候選標籤的零樣本表現明顯較差。常見症狀是所有候選標籤的機率都擠在 0.1 附近，沒有顯著差異。修正方式是用 MoritzLaurer/mDeBERTa-v3-base-mnli-xnli 或 MoritzLaurer/mDeBERTa-v3-large-mnli-xnli 取代，這兩個模型在 XNLI 多語系 NLI 上微調過，對中文、日文、韓文、德文都有支援。

錯誤五：bart-large-mnli 沒設長度限制。bart-large-mnli 的最大輸入長度是 1024 token，超過會被 tokenizer 自動截斷，長文件會丟失開頭或結尾的重要訊息。修正方式是用 tokenizer(text, truncation=True, max_length=1024) 並回傳 return_tensors="pt"；長文件場景要考慮先用 Day 3 的方式分段、再對每段做零樣本、最後用「最大機率」或「多數決」整合。

錯誤六：把零樣本當成監督式的替代品。零樣本分類在冷啟動階段很有用，但對精準度要求高的應用（例如金融合規、醫療分類），零樣本表現通常不夠。實務上的建議流程：先用零樣本估 baseline、再用少量標註（500–2000 筆）做監督式微調、最後比較兩者差距決定要走哪條路。很多團隊會同時保留兩個模型：零樣本負責「新類別快速上線」，監督式負責「核心類別精準度」。

效能與實務提醒

Colab T4 上 bert-base-multilingual-cased 微調 2 epoch 約 4 分鐘，bart-large-mnli 零樣本推論每 10 句約 5 秒。如果換成 RTX 3090 或 A100，微調時間可以壓到 1 分鐘以內；CPU 模式也能跑，但 bert-base 微調 2 epoch 約 40 分鐘、bart-large-mnli 零樣本約每 10 句 30 秒。實務上 Colab 免費版的 T4 已足夠，但要注意 Colab 免費版有連線 12 小時上限；如果是長時間實驗，建議用 Colab Pro 或自架 GPU。

batch size 的選擇對多標籤也有影響。多分類可以把 batch 拉大（因為只有一個 label），多標籤的 labels 是 multi-hot 向量，記憶體用量稍高；bert-base 在 T4 上用 batch=32、序列長度 128 約耗 6 GB，把 batch 拉到 64 約 9 GB，仍在 T4 的 16 GB 內。bart-large-mnli 推論時 batch 8 約 4 GB、batch 16 約 7 GB。

幾個常見的效能最佳化：開啟 fp16 / bf16 推論能把記憶體與時間都壓一半；用 torch.compile 包裝模型也有 1.2–1.5 倍加速（但首次呼叫會多等編譯時間）。多標籤資料用 DataLoader(pin_memory=True, num_workers=2) 可以減少 GPU 等資料的時間。評估階段務必把所有 logits 一次蒐集完再算 sigmoid，避免在迴圈裡逐筆算浪費 GPU 時間。

真實部署時還要注意「模型版本控管」：把 tokenizer、模型權重、閾值、label_names 一起存成同一個 checkpoint，這樣部署端不會出現「忘了更新 label 順序」之類的 bug。建議命名為 go_emotions_bert_v1/ 這種語意化資料夾，並把每個版本的 macro-F1 寫進 README；後續要升級時能直接比對哪個版本表現最好。

小結

本篇把多標籤分類與零樣本分類兩個主題一次講清楚。多標籤用 sigmoid + BCE + multi-hot 向量，預測時用閾值挑選多個類別；零樣本用 NLI 預訓練的模型（bart-large-mnli、mDeBERTa-xnli）把分類轉成 entailment 機率判斷，無需任何訓練資料。實作上 BERT 微調 2 epoch 與 BART 零樣本推論都只要幾分鐘，能在 Colab T4 上輕鬆跑完。讀完這篇你應該能回答：多標籤與多分類的 loss 差異為何？什麼時候用零樣本比較划算？bart-large-mnli 與 mDeBERTa-xnli 在中文任務上怎麼選？這些答案都藏在本篇的程式與數字裡。明天 Day 10 我們會把分類任務的評估與錯誤分析展開，包括 macro-F1、PR-AUC、混淆矩陣與每類別閾值搜尋。

結語

今天的重點是「同一段文字不再只對應一個類別」。我們用 BERT 多語系模型在 go_emotions 上展示多標籤微調、用 bart-large-mnli 展示零樣本 NLI，並把兩者整合到「零樣本快速定調、BERT 精準調校」的實務流程。從 Day 5 的 BERT 微調到今天的多標籤與零樣本，文字分類工具箱又多了兩個武器。明天，我們會把分類任務的評估與錯誤分析寫成一套完整流程：precision/recall/F1、混淆矩陣、PR 曲線、以及多標籤的閾值搜尋技巧。

在工業界，多標籤與零樣本其實是同一個光譜的兩端：多標籤是「我知道類別長什麼樣、有標註」、零樣本是「我只知道類別的描述」。實務上最常見的場景是「類別會變動」：客服分類隨著產品線增加、政黨分類隨著選舉週期改變、新聞主題隨著時事變動。這時候先用零樣本做冷啟動、再用少量標註做微調的兩階段做法，能把上線時間從一個月壓到一週。下一篇進入評估時，會介紹 PR 曲線與每類別閾值搜尋，這是多標籤模型上線前必備的工具。

延伸資源

  • Hugging Face 官方文件（2025-03 擷取）：AutoModelForSequenceClassification、problem_type="multi_label_classification"（transformers 4.49、文件版本對應）。
  • Liu 等人，RoBERTa: A Robustly Optimized BERT Pretraining Approach（arXiv:1907.11692）與 Devlin 等人 BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding（arXiv:1810.04805），BERT 家族的原始論文。
  • Williams 等人，A Broad-Coverage Challenge Corpus for Sentence Understanding through Inference（arXiv:1704.05426），MNLI 資料集原始論文（bart-large-mnli 的預訓練來源）。
  • Demszky 等人，GoEmotions: A Dataset of Fine-Grained Emotions（ACL 2020），Google 發表的 28 類細粒度情緒資料集，授權為 CC-BY 4.0。
  • Laurer 等人，Building Efficient Universal Classifiers with Natural Language Inference（arXiv:2403.00813），零樣本分類與 NLI 的方法論整理。
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

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

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