All Posts

所有文章

80 篇文章，涵蓋 AI、雲端、容器化、職涯成長等主題。

全部分類80

AI12

職涯2

人生探索4

深度學習1

Gen AI31

K8S & Docker30

全部標籤80

Stable Diffusion15

LoRA2

AIGC5

NVIDIA6

LLM2

RAG1

Open Source3

Cursor1

Docker5

AWS9

EKS7

Helm2

DevOps2

RBAC1

minikube1

規劃2

AI Infrastructure2

Cloudflare2

Data Science1

Debug1

Generative AI1

SEO1

Shell1

zsh1

技術心得1

技術筆記1

效能優化1

架站3

無障礙1

考試心得2

證照2

兩年之後，我幫自己的部落格做了一次 SEO 健檢

部落格跑了兩年多，Lighthouse 看起來沒問題，直到做了一次完整健檢：www 進不來、子網域都在服務同一份內容、沒有信箱卻留著舊主機的 DKIM 公鑰。這篇記錄這輪怎麼查、怎麼修，還有幾個決定不做的取捨。

父親節快樂：NVIDIA證書+1的故事

父親節這天拿到第 5 張 NVIDIA 認證。回顧一年來每 2~3 個月不間斷的考試旅程，從基礎設施到應用層的 GPU 生態系全貌，以及 NCA-ADS 拿下 91 分歷屆最高分的實錄。

研發主管的真情告白：開源最強大語言模型的能力與反思

在公司地端架設 GLM-5.2 後，研發團隊的樣貌徹底改變：寫程式從2小時縮短到10分鐘、Junior 與 Senior 的需求位移、規劃工作交給 AI 出方案。一位研發主管記下這波算力無限時代的真實體感與反思。

企業 AI 基礎建設全攻略：從網路底層到 AI 應用的完整藍圖

這張 NVIDIA Certified Professional 考的不是某個房間，而是整棟大樓。文章由下而上拆解企業 AI 工廠的五層架構：高速網路與 NUMA 拓撲、GPU 虛擬化到軟體平台，說明每層少一塊都是短板。

一年後，我離開了 Notion：自架站方法分享 Cloudflare 篇

把網站從 WordPress 搬到 Notion 是為了省錢與備援，但一年下來問題不少：前端跳轉讓只有首頁進得了 Google 索引，GSC 上慘不忍睹。這篇說明為何離開 Notion，改用 Cloudflare 自架。

NVIDIA 證照準備心得

從一張半價考照優惠開始，一路考到多張 NVIDIA 認證。這篇記錄第一張入門證照的準備方式、後續進階證照的難度差異、考場實錄，以及回頭看這段馬拉松的取捨與心得。

zsh debug 紀錄：zprofile、zshrc、腳本的 debug 技巧

某天晚上發現自己的 Mac 開終端機要等 15 秒以上，於是回頭查 zprofile 與 zshrc 到底在做什麼。這篇記錄用 zprof 找出拖慢啟動元凶的過程，以及 debug zsh 腳本時真正有用的幾個技巧。

DLI 講師筆記：深度學習基礎

曾任 NVIDIA DLI 認證講師，把深度學習基礎課的講義整理成筆記：從 Von Neumann 架構的限制、專家系統為何失靈講起，說明資料量與算力怎麼把深度學習推上台面，適合第一次接觸的人建立整體骨架。

關於我：AI 與雲端的技術探索之路

從純數與機械背景出發，畢業先當兵、再進入軟體業，一路走到 CTO，累計十餘年的完整職涯介紹。寫給每次見面都要重講一次經歷的新朋友，也寫給正在考慮轉進軟體與雲端的人。

聯發創新基地開源模型與百工百業應用講座

受邀到聯發創新基地談開源模型與百工百業的應用，整理當天四個重點：Reasoning 成為標配、多模態與超長上下文視窗的趨勢、小模型其實不是一無是處，以及開源模型的起手式。

完課取證！史上體感難度最高的 NVIDIA DLI 課程：Building RAG Agents with LLMs

這門 Building RAG Agents with LLMs 是體感難度最高的 DLI 課程：講授時間不長，練習卻相當花時間。這篇記錄 LangChain 的基礎概念、幾個關鍵知識點，以及完課取證的過程與建議。

一年之後，我離開了 Wordpress

出書之後發現網路上的文章太少，於是興起自建部落格的想法，也決定離開 WordPress。這篇記錄搬到 Notion 的取捨、發文流程怎麼簡化，以及用 Cloudflare Worker 補上平台不足的地方。

2025 AIA 春季論壇: 開源模型的衝擊與對應

第一次參加台灣人工智慧學校的春季論壇，主題是開源模型的衝擊與對應。這篇整理現場重點：AI 的演進路徑、aiDaptiv+ 這類降低門檻的方案、LLM 的使用規則，以及中國開源模型的發展現況。

2025年3月28日

9 min

Open Source

我透過 Cursor，拿到了 AI 比賽的最佳獎項

為期半年的 AIGO 潛力新星盃結束，第一次參賽就拿下最佳獎項。這篇回顧參賽歷程與題目怎麼拆解，以及 Cursor 這個 AI 輔助開發工具在其中扮演的角色，還有頒獎與 Demo 發表會的心得。

生成式 AI 驅動未來變革：開源工具與技術架構的雙向探索

受邀到台灣人工智慧協會短講，談生成式 AI 的開源工具與技術架構。這篇把當天內容整理成清單：圖像、文字、影音三類開源工具包，模型從 SD 到 Flux 的演進脈絡，以及這幾年的發展時間軸。

從「AI 之父辛頓訪談 & AI 四巨頭」看待自學 AI 這件事

從辛頓的訪談與 AI 四巨頭的觀點出發，回答一個很多人想問的問題：現在開始自學 AI 還來得及嗎？這篇整理新手該從哪裡切入、論文該怎麼讀與實作，以及這些大神思考方式帶來的啟發。

2024年10月10日

10 min

Deep Learning

NVIDIA 課程：Generative AI with Diffusion Models 筆記分享

NVIDIA DLI 擴散模型課程的完整筆記：從 U-Net 與轉置卷積的發展講起，拆解 DDPM 的擴散與反向擴散、模型架構的幾種優化方式、無分類器引導，以及 CLIP 在其中扮演的角色。

經理人之道-技術領袖航向成長與改變的參考指南

《經理人之道》給技術背景的人一條清楚的成長路徑：資深工程師之後分純技術（Tech Lead → Staff → Principal）與管理（Manager → Director → CTO）兩條線，這篇談它對我的幫助。

為什麼你會看到這篇部落格？

從 2013 年入行至今，從工程師、技術主管到合夥創業，這個部落格是這些年技術與職涯軌跡的沉澱。這篇說明我為什麼開始寫、想寫哪些主題，以及你可以在這裡期待看到什麼。

2024年4月28日

5 min

人生探索

AIGC 的前世今生

三十天系列的最終篇，把整趟路重看一遍：從 AIGC 的定義出發，回顧理論篇的五大生成模型與 Stable Diffusion，再整理應用篇玩過的工具與技巧，收成一張完整學習地圖。

SD XL：SD 的限界突破

SD XL 並不是單純換模型：更大的網路架構帶來畫質與細節的提升，同時也改變了幾件事。這篇說明它改良的三個方向、演算法上的差異，以及實際使用時真正要留意的地方。

SD 訓練 LoRA

LoRA 是微調 SD 最實用的方式，但 WebUI 本身沒有提供訓練功能，所以得另外準備。這篇比較目前兩種常見的訓練途徑，再走一遍實際的訓練流程與每一步的設定項目。

SD 訓練 Checkpoint

想讓 SD 徹底學會一種風格，就得訓練自己的 Checkpoint。這篇整理目前常見的訓練方法、HuggingFace 上可用的資源與指令，以及實際訓練 Checkpoint 的步驟與注意事項。

SD 的進階使用技巧

會用基本功能之後，這篇把進階操作需要的套件整理成一張清單：每個套件在做什麼、怎麼安裝、實際怎麼用，最後串成一套能重複使用的工作流程，省掉每次重新摸索的時間成本。

SwinIR，圖像重建的突破

SwinIR 是把模糊圖放大的重建演算法，它把卷積神經網路與 Swin Transformer 的長處結合在一起。這篇說明它的架構怎麼運作、為何效果比傳統超解析度好，以及實際使用的限制。

ControlNet，控制狂人？

ControlNet 讓圖像生成從「抽卡」變成「指定」：只要給一張骨架圖、深度圖或線稿，就能控制畫面構圖。這篇說明它的原理、演算法與實際特色，最後再補幾個同場加映的應用場合。

Stable Diffusion 進階插件

接著介紹三個進階插件：ControlNet 用邊緣與姿勢控制人物姿態、After Detailer 自動補修臉部與手部細節、Civitai Browser Plus 直接在介面裡瀏覽與下載模型。

Stable Diffusion 基礎插件

SD 本體功能有限，外掛才是生產力來源。這篇先介紹三個基礎插件：Image Browsing 把生成結果整理成可搜尋圖庫、Prompt all in one 統一管理提示詞、Translation 負責中翻英。

歡樂下載站：Civitai 及 HuggingFace

玩 SD 一定會用到的兩個模型站：Civitai 與 HuggingFace。這篇說明兩邊各自擅長什麼、怎麼挑選與下載模型，以及一個容易踩的坑：SD XL 要搭配對應的 LoRA 才會生效。

HyperNetwork，感覺很高級

HyperNetwork 是用神經網路去生成模型參數的微調方法，由早期參與 Stable Diffusion 開發的 Novel AI 提出。這篇說明它怎麼從模型內部找出相似參數生成同風格圖片，以及跟 LoRA 的差別。

LoRA，微調方法的新突破

LoRA 是微軟 2021 年提出的微調方法：凍結原本訓練好的權重，只訓練額外加入的低秩矩陣，就能用很低成本把模型導向特定風格。這篇講它的演算法、為何有效與實際限制。

Dreambooth，夢幻般的驚嘆調

DreamBooth 是 Google 2022 年提出的訓練方式，少量圖片就能讓模型記住特定主體。這篇說明它跟 LoRA、Embedding、HyperNetwork 的差別、訓練流程，以及實際使用的注意事項。

來看看文本倒置是要倒轉什麼: Embedding

Embedding 又叫 Textual Inversion，做法是不動模型本身的參數，只找出一個新詞的向量表示，就讓 SD 學會新概念。這篇談它的原理、跟 LoRA 等方法的差異與實際用法。

Stable Diffusion 的基礎使用

Stable Diffusion 入門的第一篇：從 WebUI 介面怎麼看、文生圖與圖生圖的參數各自在做什麼，到第一次產出可用的圖該怎麼設定，把最基礎的操作流程完整走一遍。

Stable Diffusion 的安裝

從安裝開始手把手把 Stable Diffusion 跑起來：先確認自己的電腦配置夠不夠、該選本機還是雲端環境，再到 AUTOMATIC1111 WebUI 的安裝步驟，第一次裝就上手。

Technical White Paper: Capsule Network

一份關於 Capsule Network 的技術白皮書：從 PCB 光學檢測的極限談起，說明傳統 CNN 在瑕疵檢測上為何卡關，再一路講到膠囊網路的架構、多階段改良（CapsNet+ 到後續變體）與實測成效。

2023年9月29日

20 min

Deep Learning

Stable Diffusion，來吧

鋪陳了十三天，終於講到系列主角：Stable Diffusion 到底怎麼運作。這篇拆解它的架構與演算法，說明它相對前面介紹過的幾種生成模型，到底強在哪裡、又犧牲了什麼。

常見的圖像生成工具

市面上常見的 AI 生圖工具一次攤開：Midjourney、Stable Diffusion、DALL·E 2、Leonardo AI 等八款，逐一介紹特色，再依用途與上手難度比較，幫你判斷該從哪個開始。

CLIP，文字圖像你都會？

CLIP 是把文字與圖像接在一起的關鍵：它會自動分類影像、用 prompt 標記，而且具備 zero-shot 能力。這篇講它的概念從何而來、演算法怎麼做到跨模態，以及能拿來做什麼。

NeRF，聽說你是建模達人

NeRF 是一種用神經網路記住一個場景的建模方法：把場景表示成神經輻射場，就能從沒拍過的角度合成畫面。這篇說明它的演算法怎麼運作，以及它跟傳統建模比起來的特色。

Transformer，就決定是你了

Transformer 是這幾年深度學習最大的分水嶺。這篇從它是 seq2seq 模型講起，說明 Attention 與自編碼器架構怎麼結合，再回顧近年模型演進，理解它為何成了通用骨幹。

Diffusion，終於見到你

系列走到核心：DDPM 到底是什麼。這篇講清楚前向的擴散過程怎麼把高斯雜訊一層層加進圖片，反向過程又怎麼從純雜訊一步步還原出一張圖，以及背後的演算法與近期發展。

Flow，神秘的流派

Normalizing Flow 是生成模型裡相對小眾的一支。這篇談它的架構怎麼做到可逆轉換、有哪些常見的 Flow 種類，以及在什麼情況下會選它而不是 GAN 或 Diffusion。

Pixel RNN，簡單，卻不失優雅

Pixel RNN 的做法很直白：把圖像當成一串像素，用已知的像素去預測下一個相鄰像素。這篇從 RNN 的基本結構講起，說明 Pixel RNN 的架構與生成方式，再和其他生成模型比較優劣。

GAN，聽說你最強，參數很難調

生成對抗網路（GAN）由生成器與判別器互相對抗來訓練，效果驚人但參數極難調。這篇從 GAN 的基本原理講起，梳理它一路演進出的幾個關鍵變體，也會說明訓練時常見的失敗模式與調整方向。

VAE，好久不見

要講 VAE 之前，得先講 AE。這篇先回顧自編碼器的原理與稀疏、去噪等幾種常見變體，再帶到變分自編碼器的數學原理，說明它如何用潛在變數的機率分佈生成新的樣本。

AIGC 的演進

延續前一篇的應用場景，這篇回頭補上脈絡：AI 模型是怎麼一路演進的、生成式 AI 的歷史上有哪些關鍵轉折，以及從 GAN 到 Diffusion 的演算法演進路線。

AIGC 的特色與應用

承襲 LLM 的架構，AIGC 有哪些其他技術沒有的特色？這篇從定義往外延伸，談 AIGC 在文字、圖像、影音各領域的實際應用，以及背後形成的生態系，幫你先建立一張學習地圖。

哎呀!? AIGC 是什麼東東

從 ChatGPT 與 Stable Diffusion 的爆紅說起，回頭把 AIGC 講清楚：它跟 LLM 是什麼關係、由哪些技術組成、GAI 的運作模式長什麼樣，以及構成一個 AIGC 應用需要哪些要件。

緣起

2023 鐵人賽三十天系列的第一篇：說明為什麼選圖像生成式 AI 當主題、這三十篇要涵蓋哪些內容（從 AIGC 基礎、五大生成模型到 Stable Diffusion 實作），以及這系列適合誰讀。

k8s 總結：架構整合、圖表整理

三十天系列的最終回，把整個系列收成一張總圖：四大面向、k8s 的架構、k8s 元件之間怎麼協作、以及延伸到雲端之後的差異，另外補上幾個實務上的小技巧與參賽的心得。

k8s 集群篇：HA、Federation

叢集層級的兩個題目：HA 講的是主節點備援，讓叢集不會因為單點故障倒下；Federation 則是跨叢集溝通與部署。這篇拿 minikube 與 AWS 對照說明，並實作一次 Federation。

k8s 應用篇（二）：EBS 和 EFS 的使用

一個整合案例：把 WordPress 與 MySQL 一起跑在 k8s 上，資料要能持久化與共享。這篇分別用 EBS 與 EFS 兩種方式實作，比較它們在儲存特性與適用情境上的差別。

k8s 應用篇（一）：Helm 部署 apps、HPA 和 CA

應用篇上篇：用 Helm 把應用部署到叢集上，再設定 HPA（水平自動擴縮）與 Cluster Autoscaler 讓資源跟著流量調整，最後把 Istio 也部署進 k8s。

k8s 管理篇延伸與 EKS（二）：Resource Quota、Namespace、RBAC

延續管理篇上卷，這篇把鏡頭拉到 EKS：資源配額怎麼設、命名空間怎麼切、使用者與 Service Account 怎麼管，以及 RBAC 的角色與綁定規則，補齊多人共用同一個叢集時最常缺的那一塊。

k8s 管理篇延伸與 EKS（一）：Service Discovery、Dashboard、Monitoring

管理篇延伸到 EKS，比較同樣的操作在 AWS 與 minikube 上的差異。這篇處理服務發現、把 k8s Dashboard 架起來，以及安裝 Weave Scope 來看叢集的即時狀態。

k8s 進階篇延伸與 EKS（二）：Scheduling

排程看起來只是「丟給調度器決定」，實際上 Affinity、Taints 與 Tolerations、Cordon 等設定都會左右結果。這篇用日常維運會遇到的例子，模擬 Pod 該怎麼被安排到正確節點。

k8s 進階篇延伸與 EKS（一）：Ingress、ELB、Service

進階篇延伸到 AWS，先看 minikube 與 EKS 差在哪。這篇在既有叢集上實作 traefik Ingress，目標是透過 Ingress 拿到 AWS 的 ALB，順帶把 Service 一起串起來。

k8s 基礎篇延伸與 EKS：Pod、Label、Probe、Scaling

叢集架好之後，把基礎篇的內容搬到 EKS 上重做一次：先看多了三個計算節點後差別在哪，再實作有標籤與狀態的 Pod、探針設定、Scaling 與版本更新，對照 minikube 的差異。

k8s 實務篇（二）：EKS 架設 k8s（下）

實務篇下篇，接續把叢集收尾：安裝與設定 kubectl、確認 Ubuntu 工作節點的 IP，並登入 EC2 的工作節點做驗證，讓上篇建好的控制介面真的能指揮到節點。

k8s 實務篇（一）：EKS 架設 k8s（上）

實務篇上篇，把 k8s 叢集真的架到 AWS 上。內容包含 AWS 的基礎設置（IAM、網路與權限），以及建立 EKS 的控制介面；因為步驟偏多，整個流程拆成上下兩篇。

k8s 上雲端之路：AWS 之蓄勢待發：EOO

上雲端之前得先認識 CCM（Cloud Controller Manager）：它讓各家雲端的實作與 k8s 核心脫鉤。這篇介紹 AWS 上會用到的元件（EC2、EBS、ELB、EFS、EKS 等），並實際操作 EC2。

k8s 之管理篇延伸：Harbor 與 Helm

k8s 是架在 Docker 之上的，所以不少 Docker 時代的管理工具也能沿用或改造。這篇介紹兩個關鍵套件：Harbor 當私有容器倉庫、Helm 當套件管理器，都以 Ubuntu 為例示範。

k8s 之 PV 小整合：Pod、Deployment、Service、Job 與 PersistentVolume

把前面學過的元件串起來：Pod、Deployment、Service、Job 搭配新的 PersistentVolume 與 PVC 做一次整合演練。這篇也談臨時儲存與驅逐策略在資源不足時怎麼運作。

k8s 管理篇（三）：User Management、RBAC、Node Maintenance

管理篇最後一篇，處理的是「誰可以做什麼」：怎麼新增一個使用者、用 Role 與 RoleBinding 給對應權限、綁定 RBAC 的實際操作，最後補上節點維護（Node Maintenance）的做法。

k8s 管理篇（二）：Resource Quota、Namespaces

Resource Quota 限制的是一個叢集能分配多少 CPU、記憶體、GPU 與磁碟空間；Namespace 則是把同一個實體叢集切成多個虛擬叢集。這篇說明兩者的設定方式，以及怎麼把配額綁在命名空間上做資源分群。

k8s 管理篇（一）：Monitoring、Job、CronJob

管理篇第一篇，從怎麼「用」叢集轉到怎麼「管」叢集。這篇介紹監控的做法（從舊版 heapster 到 Weave Scope 的安裝），以及 Job 與 CronJob 這種跑完就結束的工作怎麼定義。

k8s 進階篇（四）：Affinity and Anti-Affinity、Taints and Tolerations

調度器預設會自己挑節點，但真實場景常需要指定：哪些服務該靠近、哪些絕對不能放一起。這篇說明 Node 與 Pod 的親和／反親和性怎麼設定，以及 Taints 與 Tolerations 的搭配。

k8s 進階篇（三）：StatefulSet、DaemonSet

有狀態的服務不能隨便重啟，這就是 StatefulSet 存在的理由：每個 Pod 都有固定編號與身分。這篇說明它跟 Deployment 的差別、怎麼擴縮與更新，也介紹跑在每台節點的 DaemonSet。

k8s 進階篇（二）：Ingress、Volume、PodPreset

這篇講兩件影響整個叢集規劃的事：Ingress 負責把外部流量導進叢集，Volume 則決定資料要放在哪裡。文中示範降低負載與完美分流兩種情境，也補上 PodPreset 的用法。

k8s 進階篇（一）：Service Discovery、ConfigMap

進入進階篇：同一個 Pod 內的容器用 localhost 就能互通，但跨 Pod 就得靠 Service Discovery。這篇說明這機制怎麼運作、ConfigMap 怎麼把設定抽出來，並附上兩個實際範例。

k8s 基礎篇（二）：Deployment、ReplicaSet、Service、Secrets

基礎篇第二課：Deployment 與 ReplicaSet 怎麼管理副本數量、版本更新的滾動過程、出問題時怎麼 rollback，以及 Service 如何把流量導到正確的 Pod，還補上 Secrets。

k8s 基礎篇（一）：Pod、Label、Health check、Scaling

基礎篇第一課，從最小的部署單位開始：Pod 是什麼、為什麼要有 Label 來分類與選取、Health check 怎麼判斷容器還活著，以及流量進來時怎麼做水平擴縮。

想想我們為何而來：一個完整 DevOps 開發流程的十二個要素

講完 Docker 與 k8s 架構後，回頭看整個 DevOps 流程長什麼樣子。這篇用十二個要素（Codebase、Dependencies、Config 等）拆解從寫程式到部署的完整流程，說明 k8s 站在哪一段。

淺談 k8s 架構之二：什麼是 Object？什麼是 Abstraction？

k8s 裡的 Object 與 Abstraction 常被混著講，但兩者不在同一個層次。這篇先回顧節點架構，再說明每個 Pod 為何都要有自己的 YAML，以及抽象化讓 k8s 能管住這麼多資源的關鍵。

淺談 k8s 架構之一：Node 是什麼？Master 與 Slave 有何不同？

從節點角度看 k8s 架構：Node 是實際跑 Pod 的工作機器，Master 負責調度與管理，兩者分工決定叢集能不能撐住。這篇說明 Node 的角色、它有哪些狀態，並實際操作一次節點管理。

碼頭工的日常與舵手的逆襲：Docker 與 k8s 常用指令集比較

用了 Docker 再看 k8s，最常見的困惑就是「那我原本那些指令怎麼辦」。這篇把兩邊的常用指令並排對照，說明哪些習慣可以沿用、哪些要換成 kubectl，最後附上指令速查表。

k8s 的小型測試環境：minikube 安裝與使用

在正式上線之前，先在自己電腦上架一個小型的 k8s 來驗證服務，用的就是 minikube。這篇從 macOS 的虛擬化檢查、kubectl 安裝到啟動虛擬機一步步來，也說明其他系統該怎麼做。

一日碼頭工：快速 Docker 複習

要理解 k8s 好在哪，得先回到 Docker 把觀念補齊。這篇快速複習容器、映像與相依性管理，說明單機部署的限制在哪，也為後面三十天的 Kubernetes 內容先打好底。

k8s 初探＋簡介

從公司的轉型需求講起：為什麼會從虛擬機走到 Docker，又為什麼需要 Kubernetes 來管這些容器。這篇介紹 K8S 是什麼、它解決什麼問題、整體架構長什麼樣，以及有哪些核心元件。