気ままに山歩き

這幾天碰巧看到這個東西，覺得有點有趣，初步先簡單學習了一下，本文簡單記錄一下學習過程 文本分類 是根據文本內容為其分配標籤或類別的過程。它是 自然語言處理 (NLP) 的基本任務之一，具有廣泛的應用，例如情感分析、主題標記、垃圾郵件檢測和意圖檢測。 情感分析 是使用文本分析技術對文本數據中的情感（積極、消極和中性）進行解釋和分類。情緒分析使企業能夠在在線對話和反饋中識別客戶對產品、品牌或服務的情緒。  以下我們學習構建一個用於情感分析的機器學習模型，特別是將文本分類為正面或負面。這是二元分類（或二類分類）的一個示例，是一種重要且廣泛適用的機器學習問題。 我們使用 TF Lite Model Maker  訓練 TensorFlow Lite （TF Lite） 文本分類模型，來預測給定文本的情緒，然後將這個 TF Lite 模型部署到 Firebase 機器學習 （Firebase ML），並且從 Android 應用中訪問它。最後使用 TF Lite 任務庫將 TF Lite 情感分析模型集成到您的應用程序。 參考資料： 使用 TensorFlow Lite Model Maker 進行文本分類 首先在 Google Colab 中打開 Train text classification models with TFLite Model Maker  這個筆記本。 註：“ Colab ” 是 Colaboratory 的簡稱，是 Google Research 團隊開發的一款產品。在 Colab 中，任何人都可以通過瀏覽器編寫和執行任意 Python 代碼。它尤其適合機器學習、數據分析和教育目的。從技術上來說，Colab 是一種託管式 Jupyter 筆記本服務。用戶無需設置，就可以直接使用，同時還能獲得 GPU 等計算資源的免費使用權限。 這個範例筆記本，使用 SST-2 (Stanford Sentiment Treebank) ，它是 GLUE 基準測試中的一項任務。其中包含 67,349 條用於訓練的電影評論和 872 條用於測試的電影評論。數據集有兩個類： 正面電影評論 和 負面電影評論 。我們將用它來訓練一個文本分類模型。 由於這個教學範例是2020年發佈的，目前（ 2023年8月 ）， Colab 的 Python 版...

今天本來預計要來走 四分子古道 ＋ 獵狸尖步道 ，不過中午抵達 烏塗窟 時，看了天空感覺會下雨的樣子，就決定先開到北42-1產業道路5.1K處的登山口，先走山徑較原始的獵狸尖步道，走到獵狸尖山（樹梅嶺山）觀景台再循原路折返，下山後如果沒下雨，再去走比較好走的四分子古道，不過下山途回到停車處後，正好開始下起雨來，後來雨愈下愈大，就決定不走了，四分子古道留著下次有機會再來走唄。 四分子古道、獵狸尖步道，位於新北市坪林區漁光里的「 蛇舌子 」和「 樟空子 」一帶，地名之由來，據說是道光年間，安溪人郭暢等十餘人在此地開墾，發現地形狀如蛇舌，故名蛇舌子。樟空子之地名，則是因為據說在該處發現空心大樟樹一株，故以此為名。 獵狸尖山 ，又稱 籟狸尖山 或 樹梅嶺山 ，位於新北市石碇與坪林之交界，這條步道屬「 淡蘭古道南路 」的其中一段，山頂設有木造觀景平臺和涼亭，海拔706公尺，為淡蘭便道上的最高點。早年因此山區是穿山甲的棲地，穿山甲的台語音似「籟狸」，因而得名，但如今穿山甲已被列為瀕危野生動物，目前很難看到牠的踪影。 獵狸尖山 一般是由市道106乙的「 文山禪寺 」附近起登，更輕鬆的方式是直接開車上山（Google導航： 獵狸尖山觀景台 ），沿著平緩的石階往上走15分鐘，即可抵達獵狸尖山。 獵狸尖山 的山頂腹地寬闊，旁邊矗立著一座高壓電塔，設有木造涼亭和觀景台，天氣好時展望極佳，擁有360度的環繞景觀，能同時看見附近的16座小百岳，連翡翠水庫、臺北101大樓，都能清楚看見。 我今天選擇走較原始的古道上山，登山口在北42-1產業道路5.1K處，從烏塗窟里沿著產業道路往山上開，大約10幾分鐘車程即可抵達。 途中會經過一家生意很好的「 許家手工麵線 」，今天中午經過時，看見道路旁已經停滿了長長的車隊，店家們口也滿是遊客，看來只好等下次有機會平日來這裡，再來吃碗麵線了。 中午做又抵達獵狸尖步道登山口，登山口前方是一個大彎道，附近路旁有一些空位可以停車，目測大約可容納4、5部小客車的樣子。 中午11點20分起登，登山口前停了兩台車，想必也是去爬獵狸尖山的，不出所料，出發走了大約10分鐘左右，就遇到一隊將近10人的隊伍迎面而來，有位大哥跟我說：「你要小心！這個步道螞蝗很多，我們剛走到山頂觀景臺，從團員身上抓到了5、6隻螞蝗」，我聽了有點心驚驚，不過這種原始山徑也不是第一次走了，所以沒想太多繼...