Topic · unordered discovery
Evaluation
Experimental protocols, metrics, uncertainty, and model selection.
Engineering
Projects
在控制推論成本的前提下提升 Text-to-SQL 準確率的碩士論文研究專案。
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
在深度學習課程中完成的人臉生成與真假影像評估實驗，保留 checkpoint、資料管線與評估限制。
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；GitHub 未提交訓練後權重。
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 Breakout 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？
同時跑更多場 Breakout 確實能加快經驗收集，但速度不等於學得更好。從模型比較與新局面測試，看一次高分能說明多少。
讓 Breakout DQN 從遊戲畫面走到瀏覽器
從打磚塊的畫面、模型學習與公平比較，看到 DQN 如何成為能在瀏覽器中遊玩的系統，以及這些結果還不能說明什麼。
LadaGAN 做得太逼真之後：一場生成器與判別器的拉鋸
東華大學深度學習課程作業的完整 Overview Article：從 LadaGAN 人臉生成、checkpoint 與 150K 合成資料，到 EfficientNetV2-B1 判別器，以及結果的評估界線。