Deep Learning 101, Taiwan’s pioneering and highest deep learning meetup, launched on 2016/11/11 @ 83F, Taipei 101
AI是一條孤獨且充滿惶恐及未知的旅程，花俏絢麗的收費課程或活動絕非通往成功的捷徑。
衷心感謝當時來自不同單位的AI同好參與者實名分享的寶貴經驗；如欲移除資訊還請告知。
由 TonTon Huang Ph.D. 發起，及其當時任職公司(台灣雪豹科技)無償贊助場地及茶水點心。
Deep Learning 101 創立初衷，是為了普及與分享深度學習及AI領域的尖端知識，深信AI的價值在於解決真實世界的商業問題。
去 YouTube 訂閱 | Facebook | 回 GitHub Pages 首頁 | 到 GitHub 點星 | 網站 | 到 Hugging Face Space 按愛心
| 大語言模型 | 語音處理 | 自然語言處理 | 電腦視覺 |
| Large Language Model | Speech Processing | Natural Language Processing, NLP | Computer Vision |
在快速變動的全球局勢與本地產業環境下，您的營運是否正遭遇瓶頸？這些不僅是挑戰，更是導入AI、實現轉型升級的最佳契機。AI導入並非單純的技術採購，而是一場由上而下的企業變革。
- 【第一步】企業現況與需求訪談：了解商業模式、營運痛點與期望目標，定義出最具商業價值的AI應用場景。
- 【第二步】AI導入策略與藍圖規劃：量身打造清晰、務實的AI導入路線圖，包含技術架構、數據策略、預算規劃與預期效益。
- 【第三步】概念驗證 (PoC) 與模型開發：以最小成本、最快速度建立一個可行的AI模型來驗證構想，確保方向正確，並依據反饋快速迭代。
- 【第四步】系統整合與全面導入：將成熟的AI模型無縫對接到您現有的系統，實現真正的自動化與智慧化。
- 【第五步】團隊賦能與技術培訓：不只交付工具，更交付知識。提供教育訓練，確保AI能真正落地生根，成為企業文化的一部分。
用 AI 懂 AI
- Chain-of-Thought is not explainability
- arXiv 2506.21521 (Potemkin Understanding in Large Language Models)
- arXiv 2502.04644 (Agentic Reasoning: Reasoning LLMs with Tools for the Deep Research)
- AI新賽局：企業的入門策略指南
- 臺灣大型語言模型性能評測與在地化策略分析報告
- 從零到一：打造本地端高精準度 RAG 系統的實戰指南
- GenAI 與 LLM 在金融產業的應用分析：金融服務中 GenAI 與 LLM 的變革潛力。
- AI Robot 陪伴型機器人：2025 趨勢分析技術突破、市場潛力與未來展望。
- 避開 AI Agent 開發陷阱：常見問題、挑戰與解決方案：探討多種 AI 代理人工具的應用經驗與挑戰，分享實用經驗與工具推薦。
AI 技術 體驗/分享
手把手帶你一起踩 AI 坑：https://www.twman.org/AI
- 白話文手把手帶你科普 GenAI：淺顯介紹生成式人工智慧核心概念，強調硬體資源和數據的重要性。
- 大型語言模型直接就打完收工？：回顧 LLM 領域探索歷程，討論硬體升級對 AI 開發的重要性。
- 檢索增強生成(RAG)不是萬靈丹之優化挑戰技巧：探討 RAG 技術應用與挑戰，提供實用經驗分享和工具建議。
- 大型語言模型 (LLM) 入門完整指南：原理、應用與未來：探討多種 LLM 工具的應用與挑戰，強調硬體資源的重要性。
- 解析探索大型語言模型：模型發展歷史、訓練及微調技術的 VRAM 估算：探討 LLM 的發展與應用，硬體資源在開發中的作用。
- Diffusion Model 完全解析：從原理、應用到實作 (AI 圖像生成)；深入探討影像生成與分割技術的應用，強調硬體資源的重要性。
- ASR/TTS 開發避坑指南：語音辨識與合成的常見挑戰與對策：探討 ASR 和 TTS 技術應用中的問題，強調數據質量的重要性。
- 那些 NLP 踩的坑：分享 NLP 領域的實踐經驗，強調數據質量對模型效果的影響。
- 那些語音處理踩的坑：分享語音處理領域的實務經驗，強調資料品質對模型效果的影響。
- 手把手學深度學習安裝環境：詳細介紹在 Ubuntu 上安裝深度學習環境的步驟，分享實際操作經驗。
AI 技術 開源/試用
第十六章 深度學習中的結構化機率模型
017/10/27, Structured Probabilistic Models @ Deep Learning Book Chapter 16
深度學習中的結構化機率模型與圖模型
1. 核心概念與定義
- 結構化機率模型 (Structured Probabilistic Model)，也稱 圖模型 (Graphical Model)，其核心思想是使用圖 (graph) 來描述機率分佈中多個隨機變數之間的直接相互作用 [1-9]。
- 圖中的節點代表隨機變數 [1, 2, 4-6]，而邊則表示這些變數之間的直接依賴或相互作用 [1, 2, 4-9]。
- 圖模型之所以得名，是因為其結構是由圖來定義和可視化的 [4, 6]。
2. 非結構化建模的挑戰與結構化模型的優勢
- 非結構化機率建模在處理高維數據時面臨嚴重的計算挑戰，即維度災難 [2, 7, 9-14]。
- 維度災難體現在：
- 內存開銷巨大：儲存完整的聯合機率分佈表需要指數級的記憶體 [2, 7, 10, 11]。
- 統計效率低下：參數數量龐大，需要指數級增長的訓練數據量 [7, 10, 11, 13]。
- 運行時間成本高昂：計算推斷任務（如邊緣或條件機率）和從分佈中採樣的計算量呈指數級增長 [2, 7, 9-11, 13, 14]。
- 結構化機率模型通過顯式描述變數子集間（通常是稀疏的）相互作用，用較少參數對複雜依賴關係建模 [7, 9, 11, 13, 15, 16]，顯著降低表示、學習和推斷的成本 [1, 11, 13, 17]。
- 結構化模型的其他優勢包括：允許融入先驗知識 [11, 13]、提供模組化和可解釋性 [11, 13]、為開發高效算法提供基礎 [11, 13]。
3. 圖模型的種類與表示
圖模型主要分為兩大類：有向圖模型和無向圖模型 [7, 8, 18, 19]。
- 有向圖模型 (Directed Graphical Model / Bayesian Network / Belief Network)
- 使用有向無環圖 (DAG) 表示變數間的條件依賴關係或因果關係 [3, 8, 17, 19]。
-
聯合機率分佈分解：分解為每個變數在其父節點條件下的局部條件機率分佈的乘積： **p(x) = Π_i p(x_i Pa_G(x_i))** [2, 15, 17, 19]。 - 優勢：大大減少了所需的參數數量和計算複雜度 [2, 15, 17, 19]。
- 無向圖模型 (Undirected Graphical Model / Markov Random Field / Markov Network)
- 使用無向圖表示變數間的對稱相互作用或關聯，不指定因果方向 [2, 3, 8, 18-21]。
- 適用場景：適合描述變數間依賴是對稱的情況，如物理系統或圖像像素鄰域的關聯 [2, 18, 19, 21]。
- 團 (clique)：圖中任意兩節點間都有邊連接的節點子集 [2, 3, 19-22]。
- 因子 (factor) / 勢函數 (potential function) φ(C)：定義在圖的團 C 上的非負函數 [2, 3, 19-22]。
- 聯合機率定義：未歸一化機率 p̃(x) 定義為所有團上因子的乘積： p̃(x) = Π_{C∈G} φ(C) [2, 19-22]。
- 配分函數 (partition function) Z：用於歸一化未歸一化機率的常數，Z = Σ_x p̃(x) [2, 3, 19, 22]。
- 計算難題：配分函數 Z 的計算通常很困難，因需要對所有狀態求和/積分，呈指數級增長 [2, 19, 22, 23]。這使無向模型的精確學習和推斷具有挑戰性 [2, 19, 22, 23]。
- 基於能量的模型 (Energy-Based Model, EBM)
- 一種無向圖模型框架，未歸一化機率與能量函數 E(x) 的負指數成正比： p̃(x) = exp(-E(x)) [2, 3, 17, 19, 24]。
- 學習目標是調整 E(x)，使期望狀態能量低（機率高），非期望狀態能量高（機率低） [2, 17, 19, 24]。
- 玻爾茲曼機 (Boltzmann Machine) 是一種早期 EBM [2, 3, 18, 19, 24, 25]。專家乘積 (product of experts) 是另一種 EBM [3, 18, 24, 26]。
- 因子圖 (Factor Graph)
- 一種二分圖，通過顯式引入因子節點更精確表示因式分解結構，有助於消息傳遞算法 [3, 18, 19, 27, 28]。
4. 條件獨立性判斷：分離與 d-分離
- 無向模型中的分離 (Separation)：在給定集合 S 時，若 A 到 B 的所有路徑被 S 中節點阻斷，則 A 和 B 在給定 S 時條件獨立 [3, 27, 29]。
- 有向模型中的 d-分離 (d-Separation)：判斷條件獨立性時考慮邊方向和「對撞」結構 [3, 17, 27, 29]。
- 對撞 (collider) / V-結構 (i → m ← j)：節點 m 同時是 i 和 j 的子節點 [3, 17, 27, 29]。
- 特殊規則：對撞節點 m 若未被觀察，則路徑阻斷；若 m 或其後代被觀察，路徑則暢通，可能使原本獨立的父節點變得相關 [17, 27, 29, 30]。
5. 圖模型間的轉換
- 有向到無向 (Moralization)：處理「不道德結構」（無直接連接的父節點指向同一個子節點） [3, 27, 29]。道德化過程包括連接共同子節點的父節點並去掉箭頭 [3, 27, 29]，得到道德圖 [27]。
- 無向到有向：通常更複雜，需定向邊而不引入新的有向圖獨立性 [27, 29]。弦圖 (chordal graph) 轉換較容易，通過弦化 (triangulation) 實現 [27, 29]。
6. 從圖模型中採樣
- 有向模型：通常使用原始採樣 (Ancestral Sampling)，按拓撲排序從條件分佈依次採樣 [3, 18, 31, 32]。
- 無向模型：通常使用近似採樣，因精確採樣困難 [3, 18, 31]。Gibbs 採樣是一種 MCMC 方法，迭代地從每個變數在給定其他變數下的條件分佈中採樣 [3, 18, 31-33]。
7. 學習依賴關係與潛變數
- 潛變數 (Hidden Variables) h：模型中未觀察到的變數，用於建模可見變數 v 間的複雜依賴關係、學習抽象表示或簡化計算 [3, 16, 18, 31, 34-36]。
- 結構學習 (Structure Learning)：從數據中學習圖模型的圖結構 [3, 18, 31, 33]。深度學習通常不直接學習稀疏連接，而是使用固定結構和正則化等間接方式 [18, 31]。
8. 推斷與近似推斷
-
推斷 (Inference)：計算未觀察變數（特別是潛變數 h）在給定觀察變數 v 下的**後驗機率分佈 p(h v)** 或其期望值 [2, 3, 14, 18, 23, 34, 35, 37, 38]。 - 精確推斷 (Exact Inference)：對於許多複雜模型是難以處理的 (intractable) (#P-hard)，因計算歸一化常數（分母 p(v)）需對所有潛變數配置進行指數級求和或積分 [2, 3, 23, 34, 35, 37]。
- 近似推斷 (Approximate Inference)：當精確推斷不可行時使用，旨在尋找後驗分佈的良好近似，例如置信傳播 (Belief Propagation) [3, 16, 18, 26, 36]、變分推斷 (Variational Inference) [35, 37]。
9. 實例：受限玻爾茲曼機 (Restricted Boltzmann Machine, RBM)
- 結構：一種無向圖模型 (EBM)，有一層可見單元 v 和一層隱藏單元 h，形成二分圖結構（層內無連接） [3, 18, 25, 34, 39]。
- 能量函數：通常為 E(v,h) = -b^T v - c^T h - v^T W h [3, 25, 34, 39]。
- 計算優勢（源於二分圖結構）：
- 條件獨立性：給定一層（v 或 h），另一層的單元是條件獨立的 [3, 34, 39]。
- 高效 Gibbs 採樣：可並行對一層單元進行塊 Gibbs 採樣 [3, 34, 39]。
- 易於計算的梯度 [3, 34, 39]。
-
用於學習數據的表示 E_{h~p(h v)}[h] [3, 34, 40]。早期曾用於深度學習模型的預訓練或初始化，但目前較少使用 [18, 34, 41]。