實作解析

自 Apple 公司在自主研發處理器上取得成功後，各家媒體多將焦點放在卓越的媒體製作效能，以及不同情境下，處理器的效能檢測結果，卻忽略了 Apple 處理器上特別的 16 核心神經網路引擎(Neural Engine)。對 AI 工程師來說，不免好奇神經網路引擎是否能帶給大家不同的體驗以及使用方式。因此，本文將與大家分享 python 調用 Neural Engine 的方法，從 Neural Engine 執行結果所花費的時間來看，速度加速非常顯著。

近期十分熱門的AI繪圖模型，除了Midjourney外，另一個同樣受到討論的就是Stable Diffusion了，除了知道如何應用它生成所需的圖片之外，本篇文章將深入說明從文字生成圖片的過程中，需要經過哪些步驟以及當中一些有趣的模型。我們將使用Pytorch框架及hugging face上訓練好的模型，實際進行Stable Diffusion的流程。

Scikit-learn 是 Python 中流行的機器學習框架之一，提供豐富的機器學習演算法和工具，讓使用者可以方便地進行數據分析和建立模型。在機器學習流程中，經常需要進行資料前處理、特徵選擇和模型選擇等一系列步驟，為了簡化這些步驟，Scikit-learn 提供 Pipeline 工具，讓人可以更輕鬆地構建和評估機器學習模型。

隨著ChatGPT、Midjourney等話題引發熱潮，也引發大眾對於生成式AI的好奇，從圖像生成、語音生成、文字生成等單一任務，逐漸發展出越來越多元的生成任務。這次要探討的是如何結合人臉影像與語音的生成任務，組成一個說話語音生成任務：Talking Face Generation。

支持向量機（Support Vector Machine, SVM）是機器學習中著名的演算法之一，1992年由Boser et al.提出後，被應用於許多不同領域。

隨著 AI 模型近幾年越來越強大，所需要的參數量與運算量也越來越大。但在許多場合，可能沒辦法放著一台碩大的伺服器去進行 AI 運算，這時候就需要將模型放入邊緣裝置（Edge device）中，也就是所謂的「Edge AI」。

深度學習的任務總類非常多，但是依據資料類型分成以下幾種：如果是影像相關的資料，我們會使用基於CNN的模型；而序列型的資料，則會使用LSTM或Transformer；至於剩下的問題，通常會使用一般的NN。