TL;DR 2026 Part 1 用 dense network 與 CNN 辨識 MNIST；Part 2 以 DB-VAE 學習臉部 latent distribution，再調整訓練取樣。
系列:
MIT 6.S191 導讀
(12 / 13)
MIT 6.S191 官方 2026 repo 的 Lab 2 是 Lab 2：從 MNIST 到 DB-VAE 臉部去偏差。Part 1 用 dense network 與 CNN 辨識 MNIST；Part 2 以 DB-VAE 學習臉部 latent distribution，再調整訓練取樣。本文固定使用 2026 branch，避免 master 後續更新造成內容漂移。
開始前
官方 2026 README指定 Google Colab、Python 3 與 GPU runtime。先複製 notebook 到自己的 Drive，再從頭執行；API key 放在 notebook 的秘密管理介面，不要寫進可分享的 cell 或提交到 Git。
建議完成順序
- 用 Part 1 確認 convolution 的輸出 shape 與訓練迴圈
- 記錄 baseline detector 的整體結果與失敗樣本
- 完成 DB-VAE 後用相同案例比較，不把單一 metric 當公平性結論
每次只解一個 TODO。先寫下預期輸入／輸出 shape，再執行 cell；出錯時保存錯誤訊息與修正理由。公開 solution 適合最後核對，不適合一開始照抄。
預期輸出包含 MNIST 模型結果、baseline 臉部偵測結果，以及 DB-VAE 重新取樣後可直接對照的同一組案例。常見失敗包括把影像 channel 維度排錯，以及只看總 accuracy、沒有保留模型失敗的臉部樣本。
完成標準
至少留下 notebook 副本、一次可重現的完整執行，以及一段短結論：模型做對了什麼、失敗在哪裡、下一次要改哪個變因。服務儀表板截圖不能取代模型輸出與實驗記錄。
限制
這是課堂實驗，不是已證明適用所有人口群體的公平性修補。資料、量測方式與部署情境仍需另行稽核。
參考資料
Glossary
Loading...