chore(i18n): sync translations with latest source changes (chunk 6/8, 21 changes)

Author: skytin1004

translations/zh-MO/lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb

@@ -0,0 +1,123 @@
+# 神經網路框架
+
+正如我們已經學到的，要能有效地訓練神經網路，我們需要做到以下兩件事：
+
+* 操作張量，例如進行乘法、加法，並計算一些函數如 sigmoid 或 softmax
+* 計算所有表達式的梯度，以便執行梯度下降優化
+
+## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/9)
+
+雖然 `numpy` 庫可以完成第一部分，但我們需要某種機制來計算梯度。在[我們的框架](../04-OwnFramework/OwnFramework.ipynb)中，我們在上一節中開發的框架需要手動在 `backward` 方法中編寫所有導數函數，該方法負責反向傳播。理想情況下，一個框架應該能讓我們計算*任何表達式*的梯度。
+
+另一個重要的事情是能夠在 GPU 或其他專用計算單元（例如 [TPU](https://en.wikipedia.org/wiki/Tensor_Processing_Unit)）上執行計算。深度神經網路的訓練需要*大量*的計算，能夠在 GPU 上並行化這些計算非常重要。
+
+> ✅ 「並行化」這個術語指的是將計算分配到多個設備上。
+
+目前，最流行的兩個神經網路框架是：[TensorFlow](http://TensorFlow.org) 和 [PyTorch](https://pytorch.org/)。這兩者都提供了低階 API，用於在 CPU 和 GPU 上操作張量。在低階 API 之上，還有高階 API，分別是 [Keras](https://keras.io/) 和 [PyTorch Lightning](https://pytorchlightning.ai/)。
+
+低階 API | [TensorFlow](http://TensorFlow.org) | [PyTorch](https://pytorch.org/)
+---------|-------------------------------------|--------------------------------
+高階 API | [Keras](https://keras.io/) | [PyTorch Lightning](https://pytorchlightning.ai/)
+
+**低階 API** 在這兩個框架中允許你構建所謂的**計算圖**。這個圖定義了如何使用給定的輸入參數計算輸出（通常是損失函數），並且可以在 GPU 上執行計算（如果可用）。框架提供了函數來對這個計算圖進行微分並計算梯度，這些梯度可以用於優化模型參數。
+
+**高階 API** 則將神經網路視為**層的序列**，使得構建大多數神經網路變得更加容易。訓練模型通常需要準備數據，然後調用 `fit` 函數來完成工作。
+
+高階 API 允許你快速構建典型的神經網路，而不需要擔心太多細節。同時，低階 API 提供了對訓練過程的更多控制，因此在研究新型神經網路架構時經常使用低階 API。
+
+需要理解的一點是，你可以同時使用這兩種 API。例如，你可以使用低階 API 開發自己的網路層架構，然後將其用於由高階 API 構建和訓練的更大網路中。或者，你可以使用高階 API 定義一個由層組成的網路，然後使用自己的低階訓練迴圈進行優化。這兩種 API 使用相同的基本概念，並且設計上能很好地協同工作。
+
+## 學習
+
+在本課程中，我們提供了大部分內容，既適用於 PyTorch，也適用於 TensorFlow。你可以選擇自己偏好的框架，僅學習相應的筆記本。如果你不確定選擇哪個框架，可以在網上閱讀一些關於 **PyTorch vs. TensorFlow** 的討論。你也可以查看這兩個框架以加深理解。
+
+在可能的情況下，我們會使用高階 API 以簡化操作。然而，我們認為理解神經網路的基礎運作非常重要，因此在開始時，我們會從低階 API 和張量開始學習。然而，如果你希望快速入門，不想花太多時間學習這些細節，你可以跳過這些部分，直接進入高階 API 的筆記本。
+
+## ✍️ 練習：框架
+
+繼續學習以下筆記本：
+
+低階 API | [TensorFlow+Keras 筆記本](IntroKerasTF.ipynb) | [PyTorch](IntroPyTorch.ipynb)
+---------|-------------------------------------|--------------------------------
+高階 API | [Keras](IntroKeras.ipynb) | *PyTorch Lightning*
+
+掌握框架後，讓我們回顧一下過擬合的概念。
+
+# 過擬合
+
+過擬合是機器學習中一個非常重要的概念，理解它至關重要！
+
+考慮以下近似 5 個點（圖中的 `x`）的問題：
+
+![線性模型](../../../../../translated_images/zh-MO/overfit1.f24b71c6f652e59e.webp) | ![過擬合模型](../../../../../translated_images/zh-MO/overfit2.131f5800ae10ca5e.webp)
+-------------------------|--------------------------
+**線性模型，2 個參數** | **非線性模型，7 個參數**
+訓練誤差 = 5.3 | 訓練誤差 = 0
+驗證誤差 = 5.1 | 驗證誤差 = 20
+
+* 左邊的圖是一個良好的直線近似。由於參數數量適中，模型正確地捕捉了點的分佈。
+* 右邊的模型過於強大。由於我們只有 5 個點，而模型有 7 個參數，它可以調整到通過所有點，使得訓練誤差為 0。然而，這阻止了模型理解數據背後的正確模式，因此驗證誤差非常高。
+
+在模型的複雜度（參數數量）和訓練樣本數量之間找到正確的平衡非常重要。
+
+## 為什麼會發生過擬合
+
+  * 訓練數據不足
+  * 模型過於強大
+  * 輸入數據中噪音過多
+
+## 如何檢測過擬合
+
+如上圖所示，過擬合可以通過非常低的訓練誤差和非常高的驗證誤差來檢測。通常在訓練過程中，我們會看到訓練誤差和驗證誤差都開始下降，然後在某個時候驗證誤差可能停止下降並開始上升。這將是過擬合的跡象，也是我們應該停止訓練的指示（或者至少保存模型的快照）。
+
+![過擬合](../../../../../translated_images/zh-MO/Overfitting.408ad91cd90b4371.webp)
+
+## 如何防止過擬合
+
+如果你發現過擬合發生，可以採取以下措施：
+
+ * 增加訓練數據量
+ * 降低模型的複雜度
+ * 使用一些[正則化技術](../../4-ComputerVision/08-TransferLearning/TrainingTricks.md)，例如 [Dropout](../../4-ComputerVision/08-TransferLearning/TrainingTricks.md#Dropout)，我們稍後會討論。
+
+## 過擬合與偏差-方差權衡
+
+過擬合實際上是統計學中一個更通用的問題，稱為[偏差-方差權衡](https://en.wikipedia.org/wiki/Bias%E2%80%93variance_tradeoff)。如果我們考慮模型中的可能誤差來源，可以看到兩種類型的誤差：
+
+* **偏差誤差**是由於我們的算法無法正確捕捉訓練數據之間的關係而引起的。這可能是因為模型不夠強大（**欠擬合**）。
+* **方差誤差**是由於模型近似輸入數據中的噪音而不是有意義的關係（**過擬合**）。
+
+在訓練過程中，偏差誤差會減少（因為模型學會了近似數據），而方差誤差會增加。重要的是要停止訓練——可以手動停止（當我們檢測到過擬合時）或自動停止（通過引入正則化）——以防止過擬合。
+
+## 結論
+
+在本課中，你學到了兩個最流行的 AI 框架 TensorFlow 和 PyTorch 的不同 API 之間的差異。此外，你還學到了非常重要的主題——過擬合。
+
+## 🚀 挑戰
+
+在配套的筆記本中，你會在底部找到「任務」；請完成筆記本中的任務。
+
+## [課後測驗](https://ff-quizzes.netlify.app/en/ai/quiz/10)
+
+## 回顧與自學
+
+研究以下主題：
+
+- TensorFlow
+- PyTorch
+- 過擬合
+
+問自己以下問題：
+
+- TensorFlow 和 PyTorch 有什麼區別？
+- 過擬合和欠擬合有什麼區別？
+
+## [作業](lab/README.md)
+
+在本次實驗中，你需要使用 PyTorch 或 TensorFlow 解決兩個分類問題，分別使用單層和多層全連接網路。
+
+* [說明](lab/README.md)
+* [筆記本](lab/LabFrameworks.ipynb)
+
+---
+

translations/zh-MO/lessons/3-NeuralNetworks/05-Frameworks/README.md

@@ -0,0 +1,19 @@
+# 使用 PyTorch/TensorFlow 進行分類
+
+來自 [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) 的實驗作業。
+
+## 任務
+
+使用 PyTorch 或 TensorFlow 解決兩個分類問題，分別使用單層和多層全連接網路：
+
+1. **[Iris 分類](https://en.wikipedia.org/wiki/Iris_flower_data_set)** 問題 - 這是一個以表格輸入數據為基礎的問題，可以用傳統機器學習方法處理。你的目標是根據 4 個數值參數將鳶尾花分類為 3 個類別。
+2. **MNIST** 手寫數字分類問題，我們之前已經見過。
+
+嘗試不同的網路架構，以獲得最佳的準確率。
+
+## 起始 Notebook
+
+通過打開 [LabFrameworks.ipynb](../../../../../../lessons/3-NeuralNetworks/05-Frameworks/lab/LabFrameworks.ipynb) 開始實驗。
+
+**免責聲明**：  
+本文件使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋不承擔責任。

translations/zh-MO/lessons/3-NeuralNetworks/05-Frameworks/lab/LabFrameworks.ipynb

@@ -0,0 +1,53 @@
+# 神經網絡簡介
+
+![神經網絡簡介內容摘要的手繪圖](../../../../translated_images/zh-MO/ai-neuralnetworks.1c687ae40bc86e83.webp)
+
+如我們在介紹中所討論的，實現智能的一種方法是訓練一個**計算機模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這一方向取得了巨大成功。這些模仿大腦的數學模型被稱為**神經網絡**。
+
+> 有時神經網絡被稱為*人工神經網絡*（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而不是實際的神經元網絡。
+
+## 機器學習
+
+神經網絡屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練計算機模型以解決問題。機器學習是人工智能的重要組成部分，但我們在本課程中不涉及傳統的機器學習。
+
+> 請訪問我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，了解更多關於傳統機器學習的內容。
+
+在機器學習中，我們假設有一些示例數據集 **X** 和相應的輸出值 **Y**。示例通常是由**特徵**組成的N維向量，而輸出被稱為**標籤**。
+
+我們將探討兩種最常見的機器學習問題：
+
+* **分類**，即需要將輸入對象分類到兩個或多個類別中。
+* **回歸**，即需要為每個輸入樣本預測一個數值。
+
+> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數量，N 是特徵數量。輸出標籤 Y 是大小為 M 的向量。
+
+在本課程中，我們將僅專注於神經網絡模型。
+
+## 神經元的模型
+
+從生物學中，我們知道大腦由神經細胞（神經元）組成，每個神經元都有多個“輸入”（樹突）和一個“輸出”（軸突）。樹突和軸突都可以傳導電信號，而它們之間的連接——稱為突觸——可以表現出不同程度的導電性，這些導電性由神經遞質調節。
+
+![神經元模型](../../../../translated_images/zh-MO/synapse-wikipedia.ed20a9e4726ea1c6.webp) | ![神經元模型](../../../../translated_images/zh-MO/artneuron.1a5daa88d20ebe6f.webp)
+----|----
+真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（作者提供圖片）*
+
+因此，神經元的最簡單數學模型包含幾個輸入 X<sub>1</sub>, ..., X<sub>N</sub> 和一個輸出 Y，以及一系列權重 W<sub>1</sub>, ..., W<sub>N</sub>。輸出計算公式為：
+
+<img src="../../../../translated_images/zh-MO/netout.1eb15eb76fd76731.webp" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+
+其中 f 是某種非線性的**激活函數**。
+
+> 早期的神經元模型在1943年由 Warren McCullock 和 Walter Pitts 在經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中描述。Donald Hebb 在他的書 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" 中提出了這些網絡的訓練方法。
+
+## 本章節內容
+
+在本章節中，我們將學習以下內容：
+* [感知器](03-Perceptron/README.md)，一種最早的用於二類分類的神經網絡模型
+* [多層網絡](04-OwnFramework/README.md)，以及配套筆記本 [如何構建我們自己的框架](04-OwnFramework/OwnFramework.ipynb)
+* [神經網絡框架](05-Frameworks/README.md)，包括以下筆記本：[PyTorch](05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [過擬合](../../../../lessons/3-NeuralNetworks/05-Frameworks)
+
+---
+
+**免責聲明**：  
+本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們努力確保翻譯的準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。