<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Annorita on Medium]]></title>
        <description><![CDATA[Stories by Annorita on Medium]]></description>
        <link>https://medium.com/@fbiannahung?source=rss-792ef130dec6------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*MjSAuAY5JdRkWmK71My1aw.jpeg</url>
            <title>Stories by Annorita on Medium</title>
            <link>https://medium.com/@fbiannahung?source=rss-792ef130dec6------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 09:51:23 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@fbiannahung/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[[閱讀] 未來的想像：我們為何而活？]]></title>
            <link>https://medium.com/i-read-therefore-i-am/%E9%96%B1%E8%AE%80-%E6%9C%AA%E4%BE%86%E7%9A%84%E6%83%B3%E5%83%8F-%E6%88%91%E5%80%91%E7%82%BA%E4%BD%95%E8%80%8C%E6%B4%BB-460061cc7503?source=rss-792ef130dec6------2</link>
            <guid isPermaLink="false">https://medium.com/p/460061cc7503</guid>
            <category><![CDATA[books]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[future]]></category>
            <dc:creator><![CDATA[Annorita]]></dc:creator>
            <pubDate>Sat, 02 Sep 2023 03:47:01 GMT</pubDate>
            <atom:updated>2023-09-02T03:47:01.243Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*k_eceXD92-PEYxV3.jpg" /><figcaption>圖片來源：誠品生活 <a href="https://www.eslite.com/product/10012010632682409102004">https://www.eslite.com/product/10012010632682409102004</a></figcaption></figure><p>自從 chatGPT 高度曝光，進入大家的日常生活當中之後，「 AI 會不會搶走大家的工作」這類的討論就如病毒般蔓延開來。內心深處隱隱地不安，讓許多人排斥使用，或者挑 AI 的毛病。</p><p>AI 是否會取代我們的工作？我覺得其實更應該思考的是，我們為了什麼而工作？ 我們想要怎麼樣的工作？</p><p>就如同曾任 Yahoo!奇摩總經理的鄒開蓮 Rose 在<a href="https://www.kobo.com/tw/zh/ebook/yes-20-1">書</a>中分享的：</p><blockquote><strong>我很喜歡工作，並不是我沒有遇過困難，而是我的工作可以造成影響，我很喜歡。</strong></blockquote><p>工作的最初意義為何？是透過互相合作，成就更困難的事情。是追求自我認同，了解這個世界因為我的存在將有什麼不同。</p><p>寫 Email，寫企劃草稿，基本翻譯，整理數據表格… 這些都只是手段，促成最終願景的手段。AI 可以將我們從這些細節中釋放。但是 AI 沒有靈魂，沒有目標，沒有願景。真正活在這個世界上的是人以及其他的生物，要拿 AI 讓這個世界更好還是互相傷害，選擇權都在人類手裡。</p><p>因此大家對未來的期待感也總是伴隨著一些憂慮，而在 〖一千種藍〗書中，作者千先蘭把這些憂慮都寫出來了，用真實的場景及故事讓人先體驗一番。你想要這樣的未來嗎？你想要怎樣的未來？你還有機會決定跟改變。</p><h3>科技發展遺忘了同樣生活在世界上的少數族群</h3><p>產品的目標客群是什麼？這是產品設計的第 101 個問題。瞄準主要群眾就等於有 80% 的客群，這個數字很漂亮。剩下的 20% 基數太小，付出太多時間的話不符合公司效益，我們就當作是 outlier 先不要管吧。於是大家都順理成章放下了剩下的 20%，遺忘他們也同樣生活在這塊土地上，他們之中的每一個人，都和 80% 中的每一個人一樣， 會有想要假日出門走走、泡咖啡廳的想望，想要輕鬆搭公車的自由，想要使用科技產品為自己增值，可是不知道為什麼自己總得再多出 20% 的努力才能跟其他 80% 的人擁有一樣的生活。</p><p>世界上的少數族群不只是人類社會中的弱勢群體，更包含了其他的生命。極端的工業發展造成極端的氣候變遷，人類演化成冷氣房的囚徒，但動物呢？越來越熱，有水的地方沒水了，乾燥的地方降下了連連大雨，動物們不知道為什麼原本舒適的日常開始變得艱難。在書中，動物基因判斷環境不適合生存，啟動了自我滅亡的模式。自小在賽馬場長大的馬兒們，望著天空的時候心裡總會浮現不知名的憂鬱，牠不知道其實牠屬於更寬廣的原野，牠只知道奔跑的震動讓牠感覺幸福。</p><h3>機器人可以幫你打掃家裡，但是沒辦法幫你解開家人間的心結</h3><p>家人之間，說不出口的，錯過溝通時機的事，最終需要我們自己去解開。我很喜歡〖一千種藍〗裡面描述恩惠、延在和寶敬一家人之間的關係，存在於最親密的關係裡頭，沒辦法碰觸的心裡的一小塊黑暗的地方。就好像房間裡面一旦形成難以觸及的陰暗角落，就會越來越不想去打掃，不願意面對它。</p><p>我覺得，〖一千種藍〗想告訴我們的是，想要過得更加舒適幸福，追求利用科技來滿足外在方便是不夠的。我們必須要有智慧、勇氣，與愛，去直面心裡那些堆滿塵埃的角落，搬開櫥櫃，清洗打掃。解除心中的芥蒂能夠使我們更自由。</p><p>人們常說，機器人沒有情緒無法感受，這是人之所以為人、與之有別的理由。那麼或許，好好地欣賞及理解彼此，好好交流讓彼此知道內心的想法，就是人生而為人的功課吧。</p><h3>練習緩慢前行</h3><p>〖一千種藍〗的結局富有哲思，很推薦親自去閱讀，仔細感受。在提倡追求卓越的時代，我們都是賽馬，在栩栩如生的草原幻象中奮力奔跑。這幻象，可能是公司為你描繪的美好藍圖，也可以是自我期許的未來想像。可是在奔跑的過程中，你記得自己為了什麼而感到幸福嗎？那種全身顫動的興奮感來自哪裡？是什麼時刻，讓你感受到自己活著？</p><p>不管外面的世界如何變動，不管他人的決策如何影響自己，最重要的是，記得那份「活著真好」，「我是我自己，真好」的感受，用自己可以的步調繼續往下走吧。</p><pre><br>* 一千種藍<br>  - 作者：千先蘭<br>  - 譯者：胡椒筒<br>  - 出版：時報文化<br><br>* 親愛的別怕，勇敢說YES：關於生涯、職場、家庭、信仰的20則人生提醒<br>  - 作者：鄒開蓮, 盧智芳<br>  - 出版：天下雜誌<br></pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=460061cc7503" width="1" height="1" alt=""><hr><p><a href="https://medium.com/i-read-therefore-i-am/%E9%96%B1%E8%AE%80-%E6%9C%AA%E4%BE%86%E7%9A%84%E6%83%B3%E5%83%8F-%E6%88%91%E5%80%91%E7%82%BA%E4%BD%95%E8%80%8C%E6%B4%BB-460061cc7503">[閱讀] 未來的想像：我們為何而活？</a> was originally published in <a href="https://medium.com/i-read-therefore-i-am">I read, therefore I am</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[[隨想］AI浪潮下將被犧牲的無名小卒]]></title>
            <link>https://medium.com/annorita/%E9%9A%A8%E6%83%B3-ai%E6%B5%AA%E6%BD%AE%E4%B8%8B%E5%B0%87%E8%A2%AB%E7%8A%A7%E7%89%B2%E7%9A%84%E7%84%A1%E5%90%8D%E5%B0%8F%E5%8D%92-15585a0d970d?source=rss-792ef130dec6------2</link>
            <guid isPermaLink="false">https://medium.com/p/15585a0d970d</guid>
            <category><![CDATA[future]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Annorita]]></dc:creator>
            <pubDate>Sun, 27 Aug 2023 15:25:16 GMT</pubDate>
            <atom:updated>2023-08-27T15:25:16.437Z</atom:updated>
            <content:encoded><![CDATA[<p> 看到一個影片討論美國好萊塢正在罷工的事，令人印象深刻的有兩件事。</p><p>第一個是Netflix拒絕提供臨時演員跟編劇更高的分潤。在疫情期間Netflix等串流平台大賺一番，但是為它工作的編劇跟臨時演員卻幾乎沒有分潤，影片中提到其中有一個熱門影集的演員一整年的分潤甚至只有27塊美金。這一切的起因是，串流平台形式太新，舊有的合約沒辦法適用。</p><p>另一件事是他們找來臨時演員把他們的臉跟身體掃描起來，然後之後用A I軟體重現這個演員，在未來無限使用。他們就只付給這個臨時演員一個上午的工資，卻可以永久使用這一位演員的肖像權。</p><p>我突然聯想到，其實我們在收集訓練資料、請人員標記的過程，跟上述掃描演員的行為，意義上沒有什麼不同。我們付了一點錢請標記員幫忙標記、撰寫訓練資料，要求他提供「對人類來說是好的答案」的判斷標準。乍看之下，我們有付錢，對方也是自願，沒什麼問題啊。可是他相當於是將他的小部分智慧、靈魂，交付給模型。模型學會之後，我們開始使用模型，其實也就是間接的在利用那些標記人員的智慧心血，但是並沒有再為此支付任何費用。</p><p>一個是請標記員指出照片裡面有什麼物件，取得他的認知；一個是拍下標記員的臉部特徵及動作，取得他的外觀。</p><p>或許侵害程度有別，但是背後的精神是一樣的：人的勞動力太貴了，我要用便宜的價錢換個方式得到你的勞動力，將其複製到機器上，並用來取代你。</p><p>我之前一直深深相信，ai 能夠解放我們的時間，促使我們去思考工作的意義，思考自己在這個世界上存在的使命。</p><p>可是現在我不那麼確定了，因為如何使用ai，控制權掌握在人類手裡。而我們已經看過太多例子，關於貪婪的企業如何將錯誤的犧牲美言成必要之惡，關於小人物在時代的洪流中如何被淹沒。</p><p>誰也沒辦法阻止AI的演進，我們也已經沒辦法再回到從前，只希望在時代的推進中，還能夠有人記得對無名小卒溫柔。</p><h3>Reference</h3><p>文中提到的影片：https://youtu.be/KEvkuZXbvDU?si=vRFR7h-vc2tCn8u0</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=15585a0d970d" width="1" height="1" alt=""><hr><p><a href="https://medium.com/annorita/%E9%9A%A8%E6%83%B3-ai%E6%B5%AA%E6%BD%AE%E4%B8%8B%E5%B0%87%E8%A2%AB%E7%8A%A7%E7%89%B2%E7%9A%84%E7%84%A1%E5%90%8D%E5%B0%8F%E5%8D%92-15585a0d970d">[隨想］AI浪潮下將被犧牲的無名小卒</a> was originally published in <a href="https://medium.com/annorita">Annorita’s playground</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[[paper]GroupViT:跟 pixel-wise labeling 說再見]]></title>
            <link>https://medium.com/annorita/paper-groupvit-%E8%B7%9F-pixel-wise-labeling-%E8%AA%AA%E5%86%8D%E8%A6%8B-dc9dcdd1eed9?source=rss-792ef130dec6------2</link>
            <guid isPermaLink="false">https://medium.com/p/dc9dcdd1eed9</guid>
            <category><![CDATA[nlp]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[paper]]></category>
            <category><![CDATA[deep-learning]]></category>
            <dc:creator><![CDATA[Annorita]]></dc:creator>
            <pubDate>Wed, 16 Mar 2022 02:11:50 GMT</pubDate>
            <atom:updated>2022-03-16T02:22:47.725Z</atom:updated>
            <content:encoded><![CDATA[<h3>[paper] GroupViT:跟pixel-wised labeling 說再見</h3><p>Semantic Segmentation 的訓練，仰賴 pixel-level 的標記，假如一張圖片是 64 x 64，你就必須要針對 4096 個 pixel 標記出他們各是屬於哪一類。雖然有一些 tool 可以畫圖選取區塊來標記，但整體的訓練脫離不了那種笨笨的感覺，對我來說就像是只會背答案的學生一般。</p><p>因此看到 GroupViT，讓我太驚艷了！他利用 text encoder 對文字敘述做學習，並拿來和影像部分做 contrastive learning，利用文字的語意理解，讓 Semantic Segmentation 擺脫了labeling 的繁雜工作。訓練完成後，即使是 zero-shot 仍還可以做得很好。</p><p>名字中的 Group的意義則是，在多層的學習中，最底層先學習把 pixel 組成小塊小塊，例如組出貓咪的手和腳，越往上層，這些相鄰的 group 假如代表同一個物件，就會 merge 在一起，例如貓咪的手和腳都是貓咪的一部分，因此 merge 在一起。如此一來，越往上層，就越能圈出物件的全部。</p><p>那麼要怎麼決定兩個 segment 是不是屬於同一個物件呢？他們藉由比較 group token 和 segments token 的 similarity，假如是相像的，代表同一類，就可以 merge。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/921/1*Wy2i9HA-gnyEBdvNNCCrmw.png" /><figcaption>藉由不斷地 grouping 把 pixel 組起來變成 object</figcaption></figure><p>如此一來，我們就可以用強大的 NLP 語意理解，來幫助影像，圈出想要的那個區塊。</p><p>Project page: <a href="https://jerryxu.net/GroupViT/">https://jerryxu.net/GroupViT/</a></p><p>Paper: <a href="https://arxiv.org/abs/2202.11094">https://arxiv.org/abs/2202.11094</a></p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FDtJsWIUTW-Y%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DDtJsWIUTW-Y&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FDtJsWIUTW-Y%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/7e524112a4d40e422f7a68105dffa8f8/href">https://medium.com/media/7e524112a4d40e422f7a68105dffa8f8/href</a></iframe><p>這篇 paper 是第一作者 Jiarui 在 NVIDIA 實習時做的，上了 CVPR’22，酷斃啦！</p><p>NLP 和 CV 的組合，讓 CV 變得更強大了，也開始有了人機之間的迷幻色彩，脫離背答案的時代了。</p><p>你讀過其他 CV 和 NLP 結合的酷 paper 嗎？和我分享！</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=dc9dcdd1eed9" width="1" height="1" alt=""><hr><p><a href="https://medium.com/annorita/paper-groupvit-%E8%B7%9F-pixel-wise-labeling-%E8%AA%AA%E5%86%8D%E8%A6%8B-dc9dcdd1eed9">[paper]GroupViT:跟 pixel-wise labeling 說再見</a> was originally published in <a href="https://medium.com/annorita">Annorita’s playground</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[[深度學習於電腦視覺]week 11: Meta-learning]]></title>
            <link>https://medium.com/@fbiannahung/%E6%B7%B1%E5%BA%A6%E5%AD%B8%E7%BF%92%E6%96%BC%E9%9B%BB%E8%85%A6%E8%A6%96%E8%A6%BA-week-11-meta-learning-101753a4c1aa?source=rss-792ef130dec6------2</link>
            <guid isPermaLink="false">https://medium.com/p/101753a4c1aa</guid>
            <dc:creator><![CDATA[Annorita]]></dc:creator>
            <pubDate>Wed, 08 Dec 2021 02:47:50 GMT</pubDate>
            <atom:updated>2021-12-08T02:48:55.933Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*gszZ1K0vnQaTfkAhWiGSzA.png" /></figure><p>Meta-learning ，是當遇到一個新的 task，而 data 很少不足以訓練出穩定模型時的訓練方法。通常用於 few-shot learning，舉分類問題為例，新的類別可能每個類別都只有數張圖片可供訓練（例如 one-shot 就是指每個類別只有一張）。</p><p>Meta-learning：learn a N-way K-shot learning mechanism.</p><p>N: number of classes</p><p>K: number of images per class</p><p>基本流程是：</p><ol><li>Meta-training: 拿一個大 dataset，仿照 target task 的 class數量跟 image 數量，做很多次的學習跟驗證。</li><li>Meta-testing: 針對 target task, 快速利用 support set 學習，並且在 query set 上測試學習結果。</li></ol><p>這個問題其實跟我們的學習很像，在學校學習，有大量的資源跟時間可以讓我們好好學習。可是到了職場上，資源和時間都有限，要面對的問題也跟在學校不同，這時候能夠最有效率學習、並且能夠適應新問題的人，就最具有優勢。</p><p>介紹幾個很知名的 meta-learning 方法：</p><h3>Optimization-based ： MAML</h3><p>好的開始是成功的一半，MAML 的核心概念是，假如可以學到一個好的 initial model，那麼面對新的 task也可很快的找到最佳解。（例如只要做一次的 gradient descent）。</p><p>因此在meta-training過程中，利用收集到的 loss 對 initial parameter 做 update，而不是對當前 model 做 update。</p><p>但是據說，很難 train 又不好用。（so sad)</p><h3>metric-learning based</h3><p>在 meta-training 時，學習去比較不同 class 的差異，output 相對的 label，而不是絕對的label。</p><h4>a. Prototypical Networks (NIPs’17)</h4><p>很讚，大推，簡單又好用。</p><p>training 時找出每個 class 的代表性 sample （prototype)。</p><p>testing 時，直接看目前的 sample 和哪一個 class 的 prototype 比較近。testing 時不需要再做 training。</p><h4>b. Matching Networks</h4><p>attention 的概念，看過所有類別之後，再來決定目前的 testing image 跟哪一個類別比較像。 用一個 BLSTM 來回看過所有類別。</p><h4>c. Relation Network</h4><p>feature extractor + relation network 的搭配。</p><p>relation network 負責辨別兩個 image 的 embedding 的相似程度。</p><p>但是當 loss 很大的時候，會不知道是哪一個model壞掉。</p><p>總結來說，雖然 metric learning based 的方法比較簡單，但是當 K 不一樣的時候，也比較難改。</p><h3>Data Hallucination ( augmentation)</h3><p>另一個思考 FSL 的角度是，假如 data 量很少，不如來增加 data。 -&gt; 使用 GAN 生成圖片。</p><h4>a. Cross-Modal Hallucination: text-conditional GAN(tcGAN)</h4><p>給 text 生成 image，這樣就可以製造出各個類別的圖片。</p><p>但是這樣就需要先有 text ，才能做 augmentation。</p><h4>b. Data Hallucination GAN:</h4><p>直接從大 dataset 中學到 image 在 class 內的分佈，這樣就能對 target task 的 data 也用相同的分佈生成。</p><p>在這裡面 Discriminator 有特別的設計，預防 model collapse。</p><h4>c. Jointly Trained Hallucinator</h4><p>不只要生成夠真實的圖片，還在乎生成的圖片能不能幫助 classification task。</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=101753a4c1aa" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[假如可以直接 train 一個 classifier，為什麼我們需要 metric learning？]]></title>
            <link>https://medium.com/annorita/%E5%81%87%E5%A6%82%E5%8F%AF%E4%BB%A5%E7%9B%B4%E6%8E%A5-train-%E4%B8%80%E5%80%8B-classifier-%E7%82%BA%E4%BB%80%E9%BA%BC%E6%88%91%E5%80%91%E9%9C%80%E8%A6%81-metric-learning-f5d9efc839ba?source=rss-792ef130dec6------2</link>
            <guid isPermaLink="false">https://medium.com/p/f5d9efc839ba</guid>
            <category><![CDATA[metric-learning]]></category>
            <category><![CDATA[face-recognition]]></category>
            <category><![CDATA[deep-learning]]></category>
            <dc:creator><![CDATA[Annorita]]></dc:creator>
            <pubDate>Thu, 01 Jul 2021 04:22:28 GMT</pubDate>
            <atom:updated>2021-07-01T04:28:58.445Z</atom:updated>
            <content:encoded><![CDATA[<p>在 AMMAI 課堂上，我學了多種 metric learning 的方法，metric learning 的目的是希望學一個好的 embedding, 可以有效的把相同 class 的 sample 聚在一起，不同 class 的 sample 盡量分開。但是假如我們已知有 N 種 class ，那 metric learning 跟直接 train 一個可以 predict N class 的 classifier 差別在哪呢？他的優勢是什麼？</p><p>我發現在 stack overflow 上 2017 年就有人討論過這個問題：</p><p><a href="https://stackoverflow.com/questions/45152749/why-do-we-use-metric-learning-when-we-can-classify">Why do we use metric learning when we can classify</a></p><p>整理一下底下的留言大概有幾個情境是 metric learning 可以做得更好的：</p><ol><li>unbalanced dataset: 假如某些 class 的 sample 數量特別少，那 training classifier 可能會完全忽略這些 class。但是 metric learning 因為是針對 sample 計算距離，比較不會受影響。</li><li>one-shot/few-shot learning：當出現一個 <strong>新的</strong> class 只擁有 <strong>一個/少量</strong> sample 時，metric learning 可以更輕易的去 adapt，學習新的 class，但是一般的 classifier 沒有辦法輕易的 extend 到新的 class。</li><li>metric learning 是 generative model, 而 classifier 是 discriminative model。 或許可以說，metric learning 只是因為他可以把 class 分開，所以可以“順便”拿來做 classification 的問題，但他還可以有其他的應用。他的功能是更強大的，因為可以把 input space 轉換到另一個 feature space, 使得 classifier 更容易工作。</li></ol><p>因為這些特性，所以 metric learning 很常被應用在人臉辨識上。假如是使用一般的 classification，那當出現一個新的員工、新的人臉需要辨識的時候（通常稱之為 open-set），我們就必須拿舊有的人臉資料庫加上這個新的人臉資料來重新訓練模型，而這是非常耗時耗資源的。想像公司裡本來有一萬個員工，每天都有 10 位新員工加入，每一次模型訓練都要花 2 天，那根本來不及即時更新人臉辨識打卡系統。但是假如是使用 metric learning，那麼當有新的員工加入，也許只需要一兩個小時的時間，就可以輕鬆成功辨識這個員工了。</p><h3>延伸閱讀</h3><ul><li>簡單的 metric learning 入門：<a href="https://towardsdatascience.com/how-to-use-metric-learning-embedding-is-all-you-need-f26e01597375">How to use metric learning: embedding is all you need</a></li><li>Metric learning 在音樂上的應用：<a href="https://arxiv.org/pdf/2008.03729.pdf">Metric Learning vs Classification for Disentangled Music Representation Learning</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f5d9efc839ba" width="1" height="1" alt=""><hr><p><a href="https://medium.com/annorita/%E5%81%87%E5%A6%82%E5%8F%AF%E4%BB%A5%E7%9B%B4%E6%8E%A5-train-%E4%B8%80%E5%80%8B-classifier-%E7%82%BA%E4%BB%80%E9%BA%BC%E6%88%91%E5%80%91%E9%9C%80%E8%A6%81-metric-learning-f5d9efc839ba">假如可以直接 train 一個 classifier，為什麼我們需要 metric learning？</a> was originally published in <a href="https://medium.com/annorita">Annorita’s playground</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[[書摘]刺青師的美麗人生]]></title>
            <link>https://medium.com/i-read-therefore-i-am/%E6%9B%B8%E6%91%98-%E5%88%BA%E9%9D%92%E5%B8%AB%E7%9A%84%E7%BE%8E%E9%BA%97%E4%BA%BA%E7%94%9F-7bfb052194df?source=rss-792ef130dec6------2</link>
            <guid isPermaLink="false">https://medium.com/p/7bfb052194df</guid>
            <category><![CDATA[books]]></category>
            <category><![CDATA[書摘]]></category>
            <category><![CDATA[nazis]]></category>
            <dc:creator><![CDATA[Annorita]]></dc:creator>
            <pubDate>Sun, 01 Dec 2019 09:16:49 GMT</pubDate>
            <atom:updated>2019-12-01T09:16:49.700Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HLHz-0UM2sDdYnZKPg9tbw.jpeg" /></figure><p>在集中營裡，勒利為了活下去，只得答應為納粹工作，成為幫所有犯人刺上編號的刺青師。表面上服從納粹做事，私底下則透過管道交易，幫助在集中營裡的其他人。除此之外，更對編號4562女孩一見鐘情，兩人的情感交會，支撐彼此在痛苦中生存，並成為一定要活著離開的希望。</p><p>集中營，是個在小說及電影很常出現的題材，而在這份刺青師口述流傳下來的故事中，我們更得以窺見那戰戰兢兢只為活下來的囚禁生活，還有隨時面臨生離死別的震撼與無奈。</p><p>文中主角所在的奧斯威辛集中營，又稱奧施維茨－比克瑙集中營（Konzentrationslager Auschwitz-Birkenau）位於波蘭南邊，是納粹時期最主要的集中營[1]，從書中的描述可見，當時不只囚禁猶太人，更有吉普賽人等各種“次等”人種。著名《安妮日記》的作者安妮，也在這個集中營被囚禁過[1]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/833/1*JSGrGYgUiuAxlFmQiLYTdQ.png" /><figcaption>奧斯威辛集中營</figcaption></figure><p>在書中，他們稱納粹駐軍為”SS”：</p><pre>大院裡的房屋被照亮，幾十個SS和他們的惡犬圍趨眾人上車，並槍殺沒馬上聽指令的人</pre><pre>你知不知道SS有多迷信？假如我們找到一株四葉幸運草，我們就珍藏它，因為它就是我們的錢幣。 當我們處於危險中，我們就交出它來。有時候SS就不打我們了。如果我們帶著它們去吃飯，可能還會多配給到食物。</pre><p>根據奧斯威辛的官網說明[2]，當時的 SS 大多都是德國公民，或者來自羅馬尼亞、斯洛伐克、匈牙利。他們大部分沒有受過太多教育，70%只有國小畢業，少數受過高等教育的，通常是醫生。在書裡，監督勒利工作的SS巴雷特斯基，甚至還很年輕，像個孩子。而最可怕、最可惡的SS，則是醫生孟格勒，他強姦面容美麗的少女，閹割男孩作為玩樂，所有人看見他走來無不發抖。</p><p>在書中，最終，由於俄國人的入侵，集中營潰散，部分的囚犯被以火車運走，少部分留在集中營裡的則是被處決了。在奧斯威辛的官網上我們也可以看到[3]，1945年時，7,000名囚犯得以目睹蘇維埃(Soviet)軍隊解放集中營，然而實際上，曾有過一百多萬人被禁錮於此[4]，在這裡失去他們的青春與靈魂。</p><p>REFERENCE</p><p>[1]<a href="https://zh.wikipedia.org/wiki/%E5%A5%A5%E6%96%AF%E5%A8%81%E8%BE%9B%E9%9B%86%E4%B8%AD%E8%90%A5">https://zh.wikipedia.org/wiki/%E5%A5%A5%E6%96%AF%E5%A8%81%E8%BE%9B%E9%9B%86%E4%B8%AD%E8%90%A5</a></p><p>[2]<a href="http://auschwitz.org/en/history/the-ss-garrison/">http://auschwitz.org/en/history/the-ss-garrison/</a></p><p>[3] <a href="http://auschwitz.org/en/history/auschwitz-calendar/year-1945">http://auschwitz.org/en/history/auschwitz-calendar/year-1945</a></p><p>[4] <a href="http://auschwitz.org/en/history/the-number-of-victims/overall-numbers-by-ethnicity-or-category-of-deportee">http://auschwitz.org/en/history/the-number-of-victims/overall-numbers-by-ethnicity-or-category-of-deportee</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7bfb052194df" width="1" height="1" alt=""><hr><p><a href="https://medium.com/i-read-therefore-i-am/%E6%9B%B8%E6%91%98-%E5%88%BA%E9%9D%92%E5%B8%AB%E7%9A%84%E7%BE%8E%E9%BA%97%E4%BA%BA%E7%94%9F-7bfb052194df">[書摘]刺青師的美麗人生</a> was originally published in <a href="https://medium.com/i-read-therefore-i-am">I read, therefore I am</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[神來的時候]]></title>
            <link>https://medium.com/i-read-therefore-i-am/%E7%A5%9E%E4%BE%86%E7%9A%84%E6%99%82%E5%80%99-676606073a6b?source=rss-792ef130dec6------2</link>
            <guid isPermaLink="false">https://medium.com/p/676606073a6b</guid>
            <category><![CDATA[books]]></category>
            <category><![CDATA[reading]]></category>
            <category><![CDATA[神來的時候]]></category>
            <dc:creator><![CDATA[Annorita]]></dc:creator>
            <pubDate>Sat, 07 Sep 2019 07:49:13 GMT</pubDate>
            <atom:updated>2019-09-07T07:49:13.936Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LyhlDuVTPRIzYrD52Amv2w.jpeg" /></figure><blockquote>愛可以死。愛也是冷靜的事。</blockquote><p>擅長將人世間的愛恨情仇重重提起再輕輕放下的王定國，於今年九月帶給了讀者第四本小說集：《神來的時候》。</p><pre>蔡太太在這節骨眼小聲說話是對的，可見她也知道我的處境，四字頭的歲數雖然說老不老，唯獨娶妻這種事早就過了時，一個男人既然已經獨身來到秋季，以後的歲末寒冬要怎麼度過其實早就想好了。 <br>                                                        — 【訪友未遇】</pre><pre>人生哪次的見面不就是這樣的萍水相逢，有緣就多相聚，無緣也能做做普通朋友，若是無緣又沒巧遇，那又何苦還要在這人生曠野的悲風中鑽木取火。<br>                                                        — 【訪友未遇】</pre><p>書中共收錄七則短篇小說，這些角色帶著各不相同的傷痕相遇，你忍不住為他們感到悲傷，期待在下一頁他們的人生都能迎來陽光：</p><pre>那是我第一次感覺到自己被需要，而被需要是那麼重要，我還不曾看過一個人被需要時能夠無動於衷。畢竟被需要與被愛不同，被需要是一種活下去的價值，反而愛或不愛才會使人想死。<br>                                                        — 【訪友未遇】</pre><p>但人生終究不是電影，苦痛其實比幸福更令人印象深刻。王定國輕輕地，把凡人的悲傷帶到你眼前，你彷彿可以看見，她是如何受到過去綑綁瑟縮一旁：</p><pre>穿不穿襪子本來就是無關於苦難的，然而人生的苦難往往就是留下最小的象徵而成為永遠的傷痕。</pre><pre>                                                       — 【訪友未遇】</pre><pre>一個女人無論她多天真或是多絕望，她總想要知道自己是被拋棄還是被徹底忘記。被拋棄是愛的失敗，被忘記則是愛的徒勞，兩者不見得完全相同 <br>                                                    — 【顧先生的晚年】</pre><p>對很多人來說，與家人之間的關係，是需要贖一輩子的感情罪。我們與家人之間的血緣關係，讓我們成為世界上最接近的人，但也是因為這層關係，我們退得比誰都遠。</p><p>【神來的時候】以孩子的視角書寫因情傷一厥不振的舅舅，失聯多年後突然出現，看似脫胎換骨成功返鄉，而在孩子與爸媽一行人偷偷回訪舅舅的過程中，揭開舅舅不願被看見的傷疤。</p><pre>出門拜訪親戚，父母親通常都有很多叮嚀，有些道理當然要聽。但如果那些叮嚀含有太多想像，變成脫離現實的期望，那就當作參考就好，聽過就應該趕快忘掉。<br>… … <br>又譬如說：慶耀，等一下注意看看喜不喜歡那裡的環境，有多少房間，我們當然不好意思直接問，以後能供吃供住就太好了，說不定我們來看你還能順便住一晚。</pre><pre>這些叮嚀不要太當真，不然以後回想起來都會成為傷痕。<br>                                                                                                             — 【神來的時候】</pre><p>他這樣描述主角和哥哥在偷偷幫助舅舅之後，內心忐忑舅舅是否接納好意並且好轉，又或者更自暴自棄：</p><pre>「如果一個女生不愛你，她就會故意讓你看到她不愛你的樣子。」 — 【神來的時候】</pre><p>幸福的模樣只有一種，悲傷則各有不同。</p><p>王定國並不為誰療傷，不過是淡淡地為你描述其他人的悲，要你將自己投射進去，感受那些淚水那些歲月；他不要你做什麼省思做什麼處置，人生如戲，我們只需全心全意去看即可。</p><p>博客來：https://www.books.com.tw/products/0010832015</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=676606073a6b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/i-read-therefore-i-am/%E7%A5%9E%E4%BE%86%E7%9A%84%E6%99%82%E5%80%99-676606073a6b">神來的時候</a> was originally published in <a href="https://medium.com/i-read-therefore-i-am">I read, therefore I am</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[也許你不是特別的孩子]]></title>
            <link>https://medium.com/i-read-therefore-i-am/%E4%B9%9F%E8%A8%B1%E4%BD%A0%E4%B8%8D%E6%98%AF%E7%89%B9%E5%88%A5%E7%9A%84%E5%AD%A9%E5%AD%90-c4b5d4668dfb?source=rss-792ef130dec6------2</link>
            <guid isPermaLink="false">https://medium.com/p/c4b5d4668dfb</guid>
            <dc:creator><![CDATA[Annorita]]></dc:creator>
            <pubDate>Mon, 02 Sep 2019 05:32:27 GMT</pubDate>
            <atom:updated>2019-09-02T05:32:27.645Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*24KCO8Js6Df6W_ka9yalRA.jpeg" /></figure><p>讀駱以軍紀錄親子間的雜文，字裡行間流竄著巨大的溫柔，令人領受溫暖。</p><p>不僅書寫他與兩個兒子之間，他想教會兒子的，兒子教會他的，也書寫他和父親之間，那些曾經不懂的，模糊的印象。在兒子與父親的交錯書寫中，彷彿看見生命與時間彼此交錯，兒子父親與祖父交疊錯置在一起了。摘錄幾段喜歡的句子：</p><ul><li>孩子在某種意義上正離開你，但那意味著他們快要離巢去飛他們自己的天空了。我們當年也是這樣傷父母的心，才變成大人的。</li><li>和田園詩終會失落一般，許多在孩子成長過程中，你想加進他靈魂裡的，其實都是多出來的。</li><li>因為我想像人的一生，像在河流裡翻泳，湍石激流、泥沙俱沖、百感交集，怎麼可能把某段河岸的下水點，想像成這整趟流河的命運和風景呢？</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c4b5d4668dfb" width="1" height="1" alt=""><hr><p><a href="https://medium.com/i-read-therefore-i-am/%E4%B9%9F%E8%A8%B1%E4%BD%A0%E4%B8%8D%E6%98%AF%E7%89%B9%E5%88%A5%E7%9A%84%E5%AD%A9%E5%AD%90-c4b5d4668dfb">也許你不是特別的孩子</a> was originally published in <a href="https://medium.com/i-read-therefore-i-am">I read, therefore I am</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[這是《人生複本》作者Blake Crouch的新作，類似於人生複本以迷惑人體感知而進入人生中某個片段記憶，這次更加入了更多能夠精確控制時機點的細節，也加入更多對於記憶、生命與人生遺憾的探問。]]></title>
            <link>https://medium.com/i-read-therefore-i-am/%E9%80%99%E6%98%AF-%E4%BA%BA%E7%94%9F%E8%A4%87%E6%9C%AC-%E4%BD%9C%E8%80%85blake-crouch%E7%9A%84%E6%96%B0%E4%BD%9C-%E9%A1%9E%E4%BC%BC%E6%96%BC%E4%BA%BA%E7%94%9F%E8%A4%87%E6%9C%AC%E4%BB%A5%E8%BF%B7%E6%83%91%E4%BA%BA%E9%AB%94%E6%84%9F%E7%9F%A5%E8%80%8C%E9%80%B2%E5%85%A5%E4%BA%BA%E7%94%9F%E4%B8%AD%E6%9F%90%E5%80%8B%E7%89%87%E6%AE%B5%E8%A8%98%E6%86%B6-%E9%80%99%E6%AC%A1%E6%9B%B4%E5%8A%A0%E5%85%A5%E4%BA%86%E6%9B%B4%E5%A4%9A%E8%83%BD%E5%A4%A0%E7%B2%BE%E7%A2%BA%E6%8E%A7%E5%88%B6%E6%99%82%E6%A9%9F%E9%BB%9E%E7%9A%84%E7%B4%B0%E7%AF%80-%E4%B9%9F%E5%8A%A0%E5%85%A5%E6%9B%B4%E5%A4%9A%E5%B0%8D%E6%96%BC%E8%A8%98%E6%86%B6-%E7%94%9F%E5%91%BD%E8%88%87%E4%BA%BA%E7%94%9F%E9%81%BA%E6%86%BE%E7%9A%84%E6%8E%A2%E5%95%8F-d5174c49b740?source=rss-792ef130dec6------2</link>
            <guid isPermaLink="false">https://medium.com/p/d5174c49b740</guid>
            <dc:creator><![CDATA[Annorita]]></dc:creator>
            <pubDate>Mon, 02 Sep 2019 05:29:57 GMT</pubDate>
            <atom:updated>2019-09-02T05:29:57.686Z</atom:updated>
            <content:encoded><![CDATA[<h3>記憶的玩物</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/955/1*EvONLGOopFhN1C-kipFRPQ.jpeg" /></figure><p>這是《人生複本》作者Blake Crouch的新作，類似於人生複本以迷惑人體感知而進入人生中某個片段記憶，這次更加入了更多能夠精確控制時機點的細節，也加入更多對於記憶、生命與人生遺憾的探問。</p><p><strong>倘若有時光機能讓你回到過去，你會回到什麼時候？</strong></p><p><strong>你會想將你的遺憾改正嗎？</strong></p><p>這並不是個新穎的題材，然而跟隨著主角的記憶重複之旅，你彷彿真能感受到，回到千思萬想的那個過去當下時的所有感官細節，伴著他做出選擇，並且體會思考，改正遺憾真的會比較好嗎？是否只是自己一廂情願，為了自己好過，能夠逃避面對？</p><p>也許因為題材的相似性而讓讀這本書的刺激感淡了一些，然而比起人生複本，你能從中獲得更多人生哲思。</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d5174c49b740" width="1" height="1" alt=""><hr><p><a href="https://medium.com/i-read-therefore-i-am/%E9%80%99%E6%98%AF-%E4%BA%BA%E7%94%9F%E8%A4%87%E6%9C%AC-%E4%BD%9C%E8%80%85blake-crouch%E7%9A%84%E6%96%B0%E4%BD%9C-%E9%A1%9E%E4%BC%BC%E6%96%BC%E4%BA%BA%E7%94%9F%E8%A4%87%E6%9C%AC%E4%BB%A5%E8%BF%B7%E6%83%91%E4%BA%BA%E9%AB%94%E6%84%9F%E7%9F%A5%E8%80%8C%E9%80%B2%E5%85%A5%E4%BA%BA%E7%94%9F%E4%B8%AD%E6%9F%90%E5%80%8B%E7%89%87%E6%AE%B5%E8%A8%98%E6%86%B6-%E9%80%99%E6%AC%A1%E6%9B%B4%E5%8A%A0%E5%85%A5%E4%BA%86%E6%9B%B4%E5%A4%9A%E8%83%BD%E5%A4%A0%E7%B2%BE%E7%A2%BA%E6%8E%A7%E5%88%B6%E6%99%82%E6%A9%9F%E9%BB%9E%E7%9A%84%E7%B4%B0%E7%AF%80-%E4%B9%9F%E5%8A%A0%E5%85%A5%E6%9B%B4%E5%A4%9A%E5%B0%8D%E6%96%BC%E8%A8%98%E6%86%B6-%E7%94%9F%E5%91%BD%E8%88%87%E4%BA%BA%E7%94%9F%E9%81%BA%E6%86%BE%E7%9A%84%E6%8E%A2%E5%95%8F-d5174c49b740">這是《人生複本》作者Blake Crouch的新作，類似於人生複本以迷惑人體感知而進入人生中某個片段記憶，這次更加入了更多能夠精確控制時機點的細節，也加入更多對於記憶、生命與人生遺憾的探問。</a> was originally published in <a href="https://medium.com/i-read-therefore-i-am">I read, therefore I am</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[我所受的傷]]></title>
            <link>https://medium.com/@fbiannahung/%E6%88%91%E6%89%80%E5%8F%97%E7%9A%84%E5%82%B7-576afc6af95f?source=rss-792ef130dec6------2</link>
            <guid isPermaLink="false">https://medium.com/p/576afc6af95f</guid>
            <dc:creator><![CDATA[Annorita]]></dc:creator>
            <pubDate>Fri, 10 May 2019 01:39:31 GMT</pubDate>
            <atom:updated>2019-05-10T01:39:31.555Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YFfhf2ZxJtDtp8OCXmjn4w@2x.jpeg" /></figure><p>這是葉揚近期的散文新作。在《親愛的彼得先生》一書中，她記錄她與先生之間的有趣對話，這些日常，建構出一幅風和日麗的圖像，事業剛起步，老公雖然搞笑但靠得住，第一個孩子很可愛。這樣的圖像在她懷第二胎中期突然下起大雨，孩子被檢查出有先天基因疾病，醫生強烈建議終止懷孕。於是，在《我所受的傷》裡，她主要書寫的是失去孩子的痛，以及連帶對自己價值感到徬徨的過程。</p><p>另外一小部分則書寫她對自己成為作家的理想與經濟現實的拉扯。這些不如人意的事讓她對人生有新的體悟，進而變成了更有溫度的人。</p><p>“因為不順利的事情，會在人生中一而再再而三出現，失望也會一天比一天加深。我自己覺得，作為一個人，尤其是已經受過傷的人，能跟不順利一起相處，而不是老死不相往來，是比較理想的心態”</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=576afc6af95f" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>