# AIGO線上培力課程影片學習

## 影片1:Python基礎-流程圖與選擇結構
**影片網址**:https://www.youtube.com/watch?v=ENX_TCGp1L8
:::spoiler {state="open"} :pencil2:點擊展開筆記內容
:100:
1.設計流程圖目的:為了輔助程式設計
2.流程圖常見符號:
3.演算法特性:要包含(1)輸入input (2)輸出output (3)明確性definiteness (4)有效性effectiveness
4.演算法三種控制流程結構--(1)循環結構 (2)選擇結構 (3)重複結構
5.if
6.巢狀if
7.python輸出小技巧:
若a為變數想在中間輸出--print('答案為%d'%(a))
:::

***

## 影片2:Python基礎-運算子與運算式
**影片網址**https://www.youtube.com/watch?v=-1MMVAPzApU
:::spoiler {state="open"} :pencil2:點擊展開筆記內容
:100:
算數運算子進行的是數值計算類的運算，其得出的結果會是另外一個數值。 Python 中原生的算數運算子有以下這些：

* 加法： `a + b`
* 減法： `a - b`
* 乘法： `a * b`
* 實數除法： `a / b` （結果為浮點數）
* 整數除法： `a // b` （只取商數）
* 模除法： `a % b` （只取餘數）
* 取次方： `a ** b`
* 取正號： `+a`
* 取負號： `-a`

比較運算子進行的是大小比較的運算，其得出的結果會是一個布林值，表示這個大小關係是否成立。 Python 中原生的關係運算子有以下這些：

* 小於： `a < b`
* 小於等於： `a <= b`
* 等於： `a == b`
* 不等於： `a ！= b`
* 大於等於： `a >= b`
* 大於： `a > b`

<!-- [`==` 和 `is` 的差別](https://clay-atlas.com/blog/2020/08/04/python-cn-equal-is-difference/) -->

所有資料在電腦當中都是以二進制的形式儲存的，在某些時候，我們會需要直接操作到這些組成資料的位元，以位元為單位進行運算。在這種時候，我們就會需要用到位元運算子。 Python 中原生的位元運算子有以下這些：

* 位元且： `a & b`
* 位元或： `a | b`
* 位元互斥或： `a ^ b`
* 位元否： `~a`
* 左位移： `a << b`
* 右位移： `a >> b`
:::

:::warning
下列何者對於print( )函式的「%8.2f」格式碼描述有誤？
(A)輸出8個字元
(B)小數點算1個字元
(C)小數部分固定2個字元
(D)整數部分為6個字元
:::
>8 表示輸出的總寬度為 8 個字元，包括小數點、整數部分和小數部分
.2 表示輸出的小數部分固定為 2 個字元
f 表示以浮點數格式輸出

***

## 影片3:設計思考入門
**影片網址**:https://www.youtube.com/watch?v=IiVjMsY6kRo
:::spoiler {state="open"} :pencil2:點擊展開筆記內容
:100:
1. 為什麼需要設計思考:
* 遇到一個問題,沒有現成解決方案
* 想買一種產品解決生活需要,卻遍尋不到 適用的
* 曾經想過「如果有一個,那就太方便/太棒了」
2. 設計思考關鍵原則
* 人本原則:將人放在第一位，確定不同人們的背景與想法
* 模糊原則:創新的過程接受某種程度的不確定
* 重新設計原則:世界上沒有東西皆一成不變的，所有事物皆可被推翻
* 可視化原則:將想法概念具體化
3. 設計思考五原則
* Empathy同理
`鎖定目標` :鎖定一個對象 找一個場景 打一個痛點 解決一個問題 創造一種價值
>
>Empathize問題集舉例:
1.這個人是誰?(姓名、年齡、學校年級、職業)
2.他們居住在哪裡?(城市、鄉村、郊區)
3.他們的日常生活是怎樣的?(工作/學習、休閒 活動、社交生活)
4.他們的家庭環境如何?(家庭成員、如何互動)
5.他們有哪些興趣愛好?
6.他們面臨的主要挑戰是什麼?(學習或工作中)
7.他們的學習/工作風格為何?(視覺、聽覺、操作)
8.他們曾使用哪些科技產品或服務?(手機、應用程 式、社交媒體)
9.他們的健康狀況如何?
10.他們的價值觀或信念為何?
11.他們的未來規劃有哪些?(大學、職業目標)
12.他們的財務狀況或購買力如何?
13.他們在找何類型的產品/服務來改善生活或學習?
14.他們對於新技術或產品的接受程度如何?
15.他們希望通過產品或服務解決哪些具體問題?

* Define定義

>撰寫Persona人物誌要點:**be SMART目標設定原則**:
**Specific**----明確、可想像、有畫面
**Measurable**--可衡量、最好有數字
**Attainable**--可實現、有具體合理行動
**Relevant**----與主題相關、能產生連結
**Time-based**--有時限，有可能完成

>**HMW**(How might we)開頭設計問句，了解用戶問題

* Ideate發想解方
>**步驟**
>Step 1:把所有可能的想法都寫下來 不追求精細,量更重要
Step 2:把同類的想法貼在一起 進行歸納整理,找出脈絡
Step 3:不要放棄某些想法

>**Brainstorming互動原則**
>1.不批判
>2.多發想
>3.多聯想
4.不離題
5.輪流說
6.秀出來
7.多是好

>
>**SCAMPER工具**:讓思考更有脈絡

* Prototype原型

>**Storytelling故事版**:規劃演示用戶如何與產品互動,包括用戶的行為、產品反應和用戶的感受。這有助於團隊理解產品的使用流程和關鍵互動點。

* Test測試
>三種驗證法
>
>

:::warning
:warning:**發想注意事項**
1.接受過程中的不確定性
2.不斷反思,鼓勵團隊彼此激盪
3.重視原型和測試,擁抱迭代
:::

***

## 影片4:AI倫理-全產業面面觀

**影片連結**:https://www.youtube.com/watch?v=yc6DdXa3EWI
:::spoiler {state="open"} :pencil2:點擊展開筆記內容
:100:
1. Code interpreter使用注意:須具備足夠下prompt能力
2. 生成式AI
3. 資料的運算量與算力的需求量大幅增加
4. 生成式預訓練
5. 垂直領域專用模型增加
6. RNN循環神經網路+LSTM長短期記憶模型
:exclamation:**忘記機制**:忽略不重要的資料

7. Seq2Seq模型+Transformer
:exclamation:**注意力機制**:增加加權相關比重
:exclamation:**自注意力機制**:增加資料的平行運算

8. Chatgpt額外的訓練技術，增加獎勵模型與RLHF人類反饋增強式學習

9. 多模態基礎模型:同時處理文字、圖片、語音
10. GAN生成對抗網路
11. 圖像模型發展歷程
:exclamation:擴散模型相較生成對抗網路具有難度較低、訓練速度較快、圖片失真度低的優勢
12. Clip圖像模型原理:同時結合圖片、文字(實現多模態技術)
13. 多模態圖像成為模型基本配備
14. Microsoft VS Google的AI布局
15. AWS VS NVIDIA的AI布局(皆著重雲端)
16. Hugging Face:AI開源軟件的社群
17. OpenAI公司介紹
* 非營利-->營利 / 開源---->非開源

18. Anthropic公司介紹

* 注重AI倫理道德
* Claude AI聊天機器人採用的核心技術:AI憲法CAI

19. AI帶來的危機
* 資訊正確性
* 道德與法律的界線
* 資訊落差
* 8大風險
20. AI監管政策與不同國家施行的差異
:exclamation:**可解釋性技術**:有個運作邏輯，讓AI答覆錯誤時，能夠知道哪個環節錯誤
21. Naunce
:::

## 影片5(含9部影片): 113-教育部國教署微課程-隨機森林
**影片連結**:https://www.youtube.com/watch?v=uELYnxqiwUA

:::spoiler {state="open"} :pencil2:點擊展開筆記內容
:100:
1. 機器學習:達到人工智慧的方式，且學習的方式是透過一筆一筆的資料得到函數的參數

2. 樣本Instance:機器學習的資料,線性學習往往以(x,y)成對表示
3. 應變數/應變量 Dependent Variable: 就是y在統計學的說明
4. 自變數/自變量 Independent Variable: 就是x在統計學的說明
5. 類別Class/標籤Lable: y在機器學習中分類問題被稱為的名字
6. 特徵Feature:x在機器學習中分類問題被稱為的名字
7. 模型Modle:函式
8. 訓練Train:決定模型裡的函數過程
9. 決策樹Decision Tree:隨機森林的主要樹狀節構
10. 走訪Tree Traversal:隨著決策樹架構尋找資料的過程，以下舉例一個決策樹
11. 水平組合模型:把多個特徵依序傳入各個機器
12. 垂直組合模型:把第一個模型的答案當第二個的....
13. 集成學習/整體學習Ensemble learning:確保最後的複合模型會比單一的子模型好
* **裝袋法Bagging(Bootstrap+Aggregating)**: 可以想像成投票，對樣本進行抽樣
* **Bootstrap**: 產生多個模型的一種方式，不假他人之手的取樣方法，不斷抽樣、標示，重新放回去，產生抽樣資料集
* **Sampling With Replacement**:如上Bootstrap的"重新放回去"步驟

>總結:
>給訂有N個樣本的資料集，想訓練有m個子模型構成的集成學習模型
>1. 將N個樣本的資料集重複抽樣N次產生一個抽樣資料集
>2. 用此抽樣資料集訓練第一個機器學習的子模型 ，執行這個步驟m次
>3. 如此會有m個抽樣資料集，以及產生對應的m個機器學習子模型
>4. 要預測時，將x向量傳入每個子模型，產生y1一直到ym，投票得到結果
>

* **提升法Boosting**:每個模型用來補足前幾個的弱點
* **自適應提升法Adaptive Boosting/Ada boost**:透過調整權重的提升法 ex:把第一個模型增加一倍，再把資料重新給第二個模型，讓第二個模型更專注於第一次的錯誤
* **梯度提升法Gradient Boosting/GBDT**
* **堆疊法Stacking**:換掉組合，沒投票步驟
>總結:
>給訂一個有答案的訓練樣本集，每一個樣本集的其中一個樣本都是像量
>
>1. 將x,y如此的pair用來訓練第一個子模型，假如輸出有m個，輸出便是y1到ym
>2. 再把剛剛的y1到ym丟到第二層的子模型，可以再隨便假設c個
>且通常Stacking做到第二層即可
>

14. 隨機森林Random Forest: 把裝袋法演算法套用在決策樹上的一種集成學習，但還會對"特徵集"進行抽樣(與裝袋法不同，裝袋法只針對樣本進行取樣)
>若子模型都過於相似，會破壞集成學習的目的，因此**新增f變數表示幾個特徵**，增加子決策樹的差異性
>總結:
>給訂有N個樣本的資料集，每個樣本有f個特徵，想訓練一個有m棵決策樹的隨機森林
>1. 重複抽樣N次，產生一個抽樣資料集
>2. 再用這個抽樣資料集訓練一棵決策樹
>3. 在特徵上在做一次隨機取樣，從中間中找出最佳分支

15. 交叉驗證法Cross Validation:用來求集成模型子模型數量m個
16. 無數的分類方法.....
:::

## 影片6:AI音樂專題應用
**影片網址**:https://www.youtube.com/watch?v=F-I1DRRCmjo
:::spoiler {state="open"} :pencil2:點擊展開筆記內容
:100:
1. 文字轉語音TTS(Text-to-Speech): 將文字轉換為聽起來自然的口語文字。 Open Al 提供兩種不同的模型版本，tts-1針對即時文字到語音用例行最佳化，tts-1-hd 對品質最佳化。
2. 文字轉語音的工具:
* TTS MAker
* My Edit
3. 生成音樂的工具使用:
* Suno
* Stability Audio
4. 生成歌詞的工具使用:GPT
> • 請 ChatGPT 或 Gemini 產生歌詞
>•請幫我寫一首關於__的歌詞,要有以下片段:
>[主歌] [副歌] [橋段] [尾聲]
>(A):主題,也叫主歌,如果主歌有兩個部分,就分別稱這兩部分為A1、A2;
(B):副歌,也就是我們通常說的高潮部分;
注意,我們一開始練習寫的時候,可以寫結構簡單一點的歌,主要用到上面這兩個部分就可以了。
>(C ):過度句(插句)
>(D):流行句(記憶點)
>(E):橋段(序唱,過門,間奏)和結尾

5. 音樂生成影片工具:
* Noisee AI
6. 文字生成影片工具:
* Vrew:Bloom 語言模型進行語音辨認,翻譯產生多國語言字幕
:::

## 影片7(2集):AIGO高中職生-人工智慧概論(一)
**影片網址**:https://www.youtube.com/watch?v=ZE_dpug3gzY
:::spoiler {state="open"} :pencil2:點擊展開筆記內容
:100:
1. 機器學習前步驟--資料前處理:
* 缺項補植處理
* 濾波處理
* 常見時域濾波法:
　* 低通、高通、帶通、移動平均等
　* 常見頻域或相異域濾波法:拉式轉換、傅立葉轉換等

* 離散值處理

* 正規化處理
* 特徵值萃取處理：
　　　*　領域知識易介入時，數據呈指標處理
　　　*　領域知識不易介入時，自動編碼器(Auto Encoder)、主成分分析法(PCA)或自組織映射矩陣(SOM)

2. 類神經網路ANN/Artificial Neural Network: 電腦類比人類神經細胞，各個神經運算單元之間的連線會搭配不同權重(weight)，各自執行不同任務，就像神經元動作時的電位一樣。
3. 訓練到最佳精度或最小loss值即可停止，不能過度擬和
:exclamation: 每次的訊號接受不一定都會有訊號傳送
4. 分為輸入層 隱藏層 輸出層
* 輸入層:萃取數據中與結果有高相關性的資料作為輸入資料，這些數據相對決定輸入端神經元的數量
* 隱藏層:神經元之間有著不同強度的相關性,在隱藏層中會透過數學式去更新每個神經元的權重以及偏移量
* 輸出層:輸出系統處理的結果
5. 常見類神經網路架構
* **多層感知機 (Multilayer perceptron, MLP)**:是一種前向傳遞類神經網路
至少包含三層結構(輸入層、隱藏層和輸出層)，利用「倒傳遞」的技術達到學習(model learning)的監督式學習

* **卷積神經網路(Convolutional neural network, CNN)**:包含卷積部份、池化部份(Pooling)、平坦化部分(Flatten)與全連接層部份，「卷積」為其特徵擷取的方法，此部份必須靠大量資料的特性不斷的反覆學習，在學習中盡可能滿足設立的條件，達到目標 ex:工廠透過看二維圖像判斷哪個商品有缺漏
* **支持向量機(Support vector machine, SVM)**:是監督式學習方法，用統計風險最小化估計一個分類超平面(hyperplane)。以一個決策邊界(decision boundary)讓兩類之間的邊界(margins)最大化，使其可以完美區隔開來。
* **遞迴式神經網路(Recurrent neural networks, RNN)**:時間相關問題，就是當下的答案會受過去的答案影響，而且也會影響未來的答案的一種特殊情況。也可以說是次序相關問題。只要答案具時間相關性，即為時間相關問題，能用RNN來解決。:exclamation:mlp會摒棄時間因素
:::

## 影片8(2集):AIGO高中職生-人工智慧概論(二)
**影片網址**:https://www.youtube.com/watch?v=_8PtswErzZI

:::spoiler {state="open"} :pencil2:點擊展開筆記內容
:100:
1. 智慧城市應用:
* 智能化平台建設
* 智能資源監控
* 智慧交通
* 智慧城市
2. 資訊科技領域

3. 資訊科學方法論
* 問題:問對關鍵問題
* 找到對應數據:針對問題，找到相關數據指標
* 蒐集與儲存數據:根據不同數據的屬性
* 預先處理資料:讓AI讀懂A到B，格式統一
* 採用模型:以下舉例溫度
* 驗證模型:使用科學工具
* 驗證模型
* 產出結果:依據分析，模型結果產出相關資訊

4. AI情感分析
* Step 1. 蒐集/彙整文本
* Step 2. 文本清理
:exclamation:AI會把不同符號當成判斷依據，所以需要把`，`符號(無效符號、停用字)去除
* Step 3. Al 模型訓練
* Step 4. 模型驗證/測試

5.自然語言處理 NLP :機器自動處理資料，分析訊息中的意圖或情緒，並即時回應人類通訊。
* 語音生成
* 語音識別
* 語言生成
:::

## 影片9(4集):113-AIGO-影像分析
**影片網址**:https://aigo-senior.org.tw/zh-tw/Learn/150
:::spoiler {state="open"} :pencil2:點擊展開筆記內容
:100:
1. 機器學習:實現人工智慧的一種技術，大量資料中不斷學習、測試、修正，找出規律(函式)進而預測未知資料的方法與技術

2. 特徵擷取(Feature Extraction):從影像中尋找「關鍵點」，擷取關鍵特徵。常見的特徵包括邊緣(使用Sobel或Canny邊緣檢測器)，角點(如Harris角點檢測器)。
3. 機器學習分類器:特徵被擷取出來後，就可以用傳統的機器學習演算法，訓練支持向量機(SVM)、決策樹、隨機森林等AI模型來對影像分類。
4. 影像監督式學習
* 模型訓練階段:先讓AI模型看過大量的圖片，每張圖片都有標籤(Label)
* 模型推論階段:給一張新的圖片，讓AI模型預測
5. 深度學習運作步驟
6. ImageNet 大規模視覺辨識挑戰(ILSVRC影像辨識挑戰賽):推動影像辨識
* Alexnet:經典卷積神經網路架構
7. A Neural Network Playground:網站可以體驗神經網路中激活函數作用
https://reurl.cc/XGnQde
8. 卷積神經網路CNN
* 透過卷積層擷取影像特徵
* 透過Filter濾波器 ex:中值濾波器使圖片平滑，索伯濾波器使輪廓明顯，銳化(中間值最大)
* 二維卷積的舉例計算
* Image Kernel感受卷積核 https://setosa.io/ev/image-kernels/

* 兩個運用CNN的模型
* Google 的 MobileNet V2 模型:讓神經元連結變少，可放到行動裝置且能結合線上模型訓練平台-Teachable machine
* YOLO模型:物件偵測，邊緣運算
9. pixel:圖片中醫小格一小格色塊
10. 電腦了解養項方式
* **灰階影像表示** :以特定數值表達圖片亮暗程度
* **彩色影像**:紅色(R)、綠色(G)、藍色(B)三種基本顏色的明暗程度疊加
11. 影像格式
* BMP (.bmp):支援1位元到24位元的色彩，BMP檔不會經過壓縮，所以檔案較大
* JPEG(.jpg):支援24位元的色彩，JPEG檔會經過壓縮，所以檔案較小
* GIF(.gif):可儲存多重影像,製作出動畫的效果，可攜式網路圖形，支援24位元的色彩及透明度
* PNG(.png):使用的是非破壞性壓縮，所以影像較不會失真，但檔案通常會比JPEG大

12. 影像處理技術
* 平移
* 旋轉
* 翻轉
* 仿射:圖片看起來有傾斜
13. AI影像分析利用
* 影像分類/分群
* 場景理解
* 光學字元辨識OCR: ex:停車場車牌自動辨識
* 影像生成
* 影像修復
14. 深度學習技術自動學習物件特徵、形狀步驟:
* 標注影像資料:收集圖像和標籤數據，將每張影像中的物件標記為特定的類別
* 訓練AI模型:使用深度學習算法，例如卷積神經網絡(CNN)
* 物體偵測:使用訓練好的模型對新圖像進行物件偵測

15. 影像分割
* 語義分割(Semantic Segmentation):對影像中的每個像素打上分類、標籤
* 實例分割(Instance Segmentation):`目標檢測`和`語義分割`的結合，先在影像中將目標檢測出來`目標檢測`，然後對每個像素打上標籤`語義分割`
16. MediaPipe Studio:體驗電腦視覺任務
17. Roboflow平台(物件偵測與影像生成實作):記得保留一些圖像做考試

>* 資料增強技術
>* 影像資料處理:對圖片作尺寸變更
>* 資料擴增:對亮暗、傾斜程度更改
>

18. 主流影像生成平台:
* Midjourney:效果最好
* Dall.E(OpenAI):可透過Bing Image Creator或Microsoft Copilot免費實作
* Bing Image Creator
* Microsoft Copilot
* Stable Diffusion(開源)
* Playground AI

19. 生成影像模型的Prompt提示詞
* 一般提示詞的寫法，使用「人、事、時、地、物」
* 更好的提示詞寫法，使用「形容詞+名詞+動詞+樣式」
* 盡量英文
20. 進階影像訓練工具
* TAO
* 學習教材

21. Teachable machine(影像分類實作):Google所推出的無程式碼機器學習平台 (No Code)
* 訓練過程中若開鏡頭，記得搖晃以訓練
* 輸出最後按`upload my model`，會直接生成網站
* 自行準備影像資料的實作步驟
>1. 資料收集:使用AIX智能下載器
>2. 資料上傳:人物要清晰不雜亂
>3. 訓練模型:進行深度學習
>4. 預測推論
>5. 評估分析
>6. 參數調校 再訓練
>7. 匯出網頁:匯出模型並取得辨識模型，下載模型檔
>8. 報告分享
>:::warning
>:warning: **超參數**
>* Epochs 回合數 :exclamation:非越多越好
>* Batch Size 批量大小: 每一批次訓練的影像樣本數量
>* Learning Rate 學習率
>
>:::
* Accuracy per class每一類別的準確率:
>:::info
>:book: 註解
>Class(類別)
>Accuracy(正確率)
>Samples(樣本數)
>:::
* 混淆矩陣Confusion Matrix
透過水平與垂直軸可以看出`?`被混淆成`?`
:::
* 分類準確率

## 影片10(4集):113-AIGO-AIGC應用
**影片網址**:https://www.youtube.com/watch?v=_VNK31DbOAA
:::spoiler {state="open"} :pencil2:點擊展開筆記內容
:100:
1. Copilot
* 介面操作:文本對話、以文生圖、其他主題....
* 文字對話Prompt技巧
* 清晰明確的問題
* 使用舉例提示
* 選擇性的情緒或語氣
* 提供有邏輯性的上下文對話過程
* 使用Markdown條列式格式
* 以文生圖Prompt技巧
* 明確且具體
* 情感和氛圍
* 色彩和光線
* 細節層次
* 視角和構圖
2. 政府開放資料平台https://data.gov.tw/
* 內容架構
* 資料搜集:紙本資料、電子檔資料、 感測器資料
* 資料應用:整合式服務、主動式服務、 新科技服務
* 高應用價值主題:氣候環境、災害防救、交通運輸、 健康醫療、能源管理、社會救助
* 開放資料:動態API、開放各檔案格式、 機器可讀
* 標準化資料:資料清理、資料整合、 資料轉化
* 下載後可上傳至`Chatgpt`做資料可視化
3. 統計分析基本概念
* 數據理解和準備
* 抽樣與誤差理解
* 統計假設與測試方法選擇
* 結果的顯著性與多重比較問題
* 數據可視化與解釋
* 統計與實際重要性的區別
4. 影像辨識
* 影像深度學習
* 卷積神經網路CNN
* 卷積層:特徵學習、局部感知
* 激活層:非線性引入
* 池化層:特徵降維
* 全連接層:決策學習
* 一般梯度運算功能的影響
> **loss損失函數**:影像辨識是否明顯，越低接近0越好，類似空間中的曲面要找最低點
> **梯度**:類似斜率的概念

5. TensorFlow
* 神經網路框架TensorFlow v.s PyTorch (Google v.s Meta)
* 網站內教學資源(內有DeepDream)
6. DeepDream
* 特點:
* 特徵放大
* 層級效果
* 迭代過程(訓練):將loss值放大
* 模型解釋性
* 無需特定的預先訓練模型
* 怎麼控制作品風格
* 不同輸入圖像
* 不同預訓練模型
* 調整目標層
* 調整迭代次數
* 改變學習率

* 範例程式下載https://bit.ly/AIGO_2024_PROGRAM
* **colab**上傳程式碼
*
>* 範例內含多註解，直接下載上傳colab看!
> * 更改模型:
> 
> * 右:深層(細節) 左:表層(條)
> 
7. 自然語言處理NLP
* 處理範疇
* NLP應用
* 自動文本生成
* 文本摘要檢索
* 機器翻譯
* 語音識別
* 情感分析
* 問答系統
* 以文生圖關鍵流程

8. 大語言模型LLM
* 如何生成
* 持續學習與更新
* 大規模數據集
* 先進的模型架構
* 細節優化和調整
* 有效的訓練策略
* 強大的計算資源
* LLM的挑戰
* 計算資源的需求
* 數據偏見和不公平性
* 模型透明度和可解釋性
* 隱私和安全問題
* 知識更新的挑戰
* 泛化能力和細微語義的捕捉

9. 生成對抗網路GAN
* 架構
>直到判斷不出真偽
>**RNG**:亂數雜訊產生器

10. Stable diffusion實作https://bit.ly/AIGO_2024_PROGRAM
* colab上傳
>* 因為奇異點(雜訊)不同，所以即使同程式碼，同關鍵詞，圖片生成還是會不一樣
>* `XLA`或者`float數字變小`可加速運算

:::

## 影片11:本土化ChatGPT 最強選擇！聯發科技 達哥 Mediatek DaVinci 生成式AI平台 Localized ChatGPT ! DaVinci Generative AI Platform
**影片網址**:https://www.youtube.com/watch?v=4lf96QjiW2M
:::spoiler {state="open"} :pencil2:點擊展開筆記內容
:100:
1. Create prompt:每次都要輸入的東西可以先打好
2. 商店
* Prompt:可以重複使用高效率的提示範本，更好地和DaVinci溝通
* Assistants:可以下載其他開發者提供的Assistant，提升生產力並幫助你完成各式各樣的任務
* Plugin:可以下載其他開發者開發的Plugin，擴增 DaVinci 在某個功能上的能力
* DVC X library:資訊雲端共享平台，可以下載其他人分享的DVCx(達哥檔)，節省资料上傳處理的時間
:::