- **在生成對抗網路（GANs）中，Discriminator 的作用是什麼？** 判斷輸入數據是真實數據還是生成數據 - **相比於 Faster R-CNN，YOLO 模型在設計上有哪些主要不同？** YOLO 對整個圖像進行單次處理，不使用 Region Proposal Network(RPN)。YOLO 速度更快，但對小物體的檢測準確率相對較低。 - **簡單說明 Faster R-CNN 中新增的 Region Proposal Network (RPN) 的作用** RPN 用於生成高質量的候選區域（Region Proposals），提高了物件偵測的效率並簡化了流程。 - **Autoencoders 的局限有哪些?** 有損性壓縮、數據特定性 - **請簡單說明知識蒸餾（Knowledge Distillation）的核心概念** 將大型模型（教師模型）的知識壓縮到較小的學生模型中。 - **什麼是 APoZ（Average Percentage of Zeros）指標？其高低代表什麼含義？** APoZ 是指神經元經過 Activation function 後輸出為 0 的比例。APoZ 值越高，代表該神經元對最終結果的影響越低。 - **FaceNet 使用哪種損失函數來提升人臉識別的準確性？** 使用 Triplet Loss 最小化相似距離，最大化不同距離 - **比較 CNN 和 Transformer 的主要優勢。** Transformer 在捕捉長距離依賴關係上具有優勢，能夠全球化地關注輸入的特徵。CNN 在局部特徵提取方面高效，計算量較小，適合處理小尺寸圖像。 - **在語義分割任務中，為什麼 IoU（Intersection over Union）比 Pixel Accuracy 更適合作為評估指標？** Pixel Accuracy 容易因背景像素過多而導致高評分，對於少數類別或小物件的預測不敏感，因此不足以全面反映模型的分割能力。 - **為甚麼 GAN 不容易訓練?** GAN 的訓練困難主要有幾個原因，包括達到均衡（Achieving equilibrium）、超參數調整（Hyperparameter tuning）、模式崩潰（Mode Collapse）和非收斂（Non-Convergence） - **請解釋什麼是Post-Training Quantization** Post-Training Quantization 是一種在模型訓練完成後進行優化的技巧，主要透過將模型中的浮點數權重和激活函數轉換為低精度（例如 8-bit 整數）的表現形式，以降低計算需求和存儲空間。 - **生成對抗網路（GANs）的訓練容易遇到模式崩潰（Mode Collapse）的問題。請說明什麼是模式崩潰。** 生成器只學會產生一小部分樣本，缺乏多樣性。 - **請簡單描述 GAN 的訓練流程?** 生成噪音向量、生成假數據、混合數據、訓練辨別器、凍結辨別器 - **Siamese Networks 中的差異層有什麼作用？** 計算嵌入向量間的歐氏或餘弦距離，判斷數據對相似性