Topic · unordered discovery
Evaluation
Experimental protocols, metrics, uncertainty, and model selection.
Engineering
Projects
讓模型讀懂資料庫，把自然語言問題轉成 SQL 查詢。
The final public run answered 1,023 of 1,534 development questions with Gemini 3.1 Flash Lite on the dev_20240627 split.
Completed deep-learning course experiment · 東華大學課程作業
LadaGAN–EfficientNetV2
生成人臉影像，再訓練分類模型辨別真假。
課程實驗記錄第 1–30 個選定 checkpoint、每個 checkpoint 5,000 張的生成設定，以及用於判別器訓練的 real/fake 資料建構。
Writing
球掉一條命時多扣一分，真的會讓 AI 玩得更好嗎？
三次獨立訓練得到不同方向的結果。比較失命時多扣一分是否能穩定提高打磚塊的原始得分。
AI 怎麼從打磚塊畫面學會選動作？
從打磚塊的一次互動開始，理解模型看到的畫面、即時得分與未來價值，並看 Q-Learning 如何把未來的回饋傳回現在。
DQN 得分比較高，就代表真的會玩嗎？
一個 DQN 看似贏過隨機策略，逐局檢查卻發現它常卡在等待畫面。從這個反常結果理解訓練、除錯與公平評估。
模型換了執行方式，DQN 還會做出相同選擇嗎？
把訓練好的打磚塊模型交給另一種執行環境前，先確認它面對相同畫面時還會做出相同選擇，再比較速度與代價。
訓練更快，DQN 就更好嗎？
比較並行訓練的速度、三種 DQN 的得分與運算成本，再觀察選定模型在新遊戲起點上的表現。
讓打磚塊 DQN 從遊戲畫面走到瀏覽器
從遊戲畫面、DQN 訓練與模型比較，到 ONNX 推論和瀏覽器展示，完整介紹打磚塊專案。
LadaGAN 做得太逼真之後：一場生成器與判別器的拉鋸
從 LadaGAN 人臉生成、150K 合成資料到 EfficientNetV2-B1 真假分類，整理模型比較、生成樣本與評估結果。