Update app.py

app.py

@@ -57,7 +57,7 @@ def translate_text(text):
 # -------------------------------------------------------------------
 with gr.Blocks(theme=gr.themes.Soft()) as demo:
     gr.Markdown("# 🚀 Hugging Face Transformers 互動教學系統")
-    gr.Markdown("本應用程式展示 `transformers` 函式庫中的 `pipeline` 用法，並提供學習建議。")
+    gr.Markdown("本應用程式展示 `transformers` 函式庫中的 `pipeline` 用法，並提供學習建議與創意。")
 
     with gr.Tab("情感分析 (Sentiment Analysis)"):
         gr.Markdown("### 分析英文句子的正面或負面情緒")
@@ -96,22 +96,53 @@ with gr.Blocks(theme=gr.themes.Soft()) as demo:
             inputs=text_input_trans
         )
 
-    # --- ✨ 新增的內容 ✨ ---
+    # --- ✨ 新增的「學習創意」分頁 ✨ ---
+    with gr.Tab("🎨 學習創意 (Creative Ideas)"):
+        gr.Markdown("""
+        ### 跳脫框架，讓學習變得更有趣！
+
+        學會了基本操作後，可以嘗試用以下創意方式來深化您的技能：
+
+        ---
+
+        #### **點子一：打造「個人化」的專案**
+        不要只用現成的資料集，試著解決一個跟您生活相關的問題。
+        * **範例：**
+            * **台灣小吃分類器**：您喜歡吃美食嗎？拍下各種台灣小吃（例如：鳳梨酥、太陽餅、蚵仔煎）的照片，微調一個 `image-classification` 模型來辨識它們。
+            * **個人風格文案產生器**：收集您過去寫過的報告、貼文或信件，微調一個 `text-generation` 模型（如 `gpt2-chinese`），讓它能模仿您的風格寫作。
+
+        ---
+
+        #### **點子二：串連不同能力的模型 (Pipeline Chaining)**
+        讓模型的輸出成為下一個模型的輸入，像工廠的生產線一樣，創造更複雜的應用。
+        * **範例：**
+            * **AI 說書人**：首先，用 `image-to-text` 模型為一張圖片生成一句描述。然後，將這句描述丟給 `text-generation` 模型，讓它將這句話擴寫成一個短篇故事。最後，再將這個故事交給 `text-to-speech` 模型，讓它把故事「說」出來。
+            * `圖片` -> `AI看圖說話` -> `一句話` -> `AI作家` -> `一個故事` -> `AI播音員` -> `一段聲音`
+
+        ---
+
+        #### **點子三：探索「零樣本」的超能力 (Zero-Shot Learning)**
+        `zero-shot-classification` 是一種非常強大的 pipeline，您可以在「完全沒有給模型範例」的情況下，讓它對您自訂的標籤進行分類。
+        * **範例：**
+            * **新聞主題分類器**：貼上一段新聞，然後在選項中輸入您想分類的主題，例如 `["政治", "體育", "娛樂", "財經"]`，模型能自動判斷新聞屬於哪個類別，即使它當初訓練時並未針對這些標籤進行學習。
+
+        ---
+
+        #### **點子四：從「使用者」變成「貢獻者」**
+        深度學習最棒的方式就是參與其中。
+        * **範例：**
+            * **分享您的模型**：當您成功微調出一個有趣的模型（例如前述的台灣小吃分類器），學習如何將它上傳到 Hugging Face Hub，並為它寫一份清楚的「模型卡片 (Model Card)」。分享能加深您對整個流程的理解。
+            * **建立一個很酷的 Space**：將您的創意專案打包成一個 Gradio 或 Streamlit 應用，部署到 Spaces 上與全世界分享。
+        """)
+
     with gr.Tab("💡 如何持續學習"):
         gr.Markdown("""
         ### 掌握 Hugging Face 是一個持續學習的過程。以下是一些建議：
         
         * **完成官方課程**：Hugging Face 提供了[免費的線上課程](https://huggingface.co/course)，從基礎的 `transformers` 用法到進階的微調 (Fine-tuning) 技術都有涵蓋，是系統性學習的最佳起點。
-        
-        * **動手實作**：
-            * **微調模型 (Fine-tuning)**：嘗試在自己的資料集上微調一個預訓練模型。這是將通用模型客製化以解決特定問題的關鍵技能。
-            * **建立自己的 Space**：利用 Gradio 或 Streamlit 建立一個簡單的應用程式，並將其部署到 Hugging Face Spaces 上。這能幫助您了解從模型到應用的完整流程。
-        
-        * **深入閱讀文件**：當您對基本操作熟悉後，可以深入閱讀 `pipeline`、`Trainer` API 和特定模型架構的官方文件，了解更多客製化的選項和背後的原理。
-        
-        * **參與社群**：
-            * **瀏覽模型卡片 (Model Cards)**：在 Hugging Face Hub 上，每個模型都有一個「模型卡片」，詳細說明了該模型的架構、訓練細節、用途和限制。閱讀這些卡片能讓您快速了解一個模型。
-            * **關注討論區和部落格**：Hugging Face 的[官方部落格](https://huggingface.co/blog)和[論壇](https://discuss.huggingface.co/)是獲取最新資訊和與社群交流的好地方。
+        * **動手實作**���微調模型、建立自己的 Space。
+        * **深入閱讀文件**：了解 `pipeline`、`Trainer` API 的更多細節。
+        * **參與社群**：瀏覽模型卡片、關注[官方部落格](https://huggingface.co/blog)和[論壇](https://discuss.huggingface.co/)。
         """)
 
 # --- 啟動 Gradio 應用程式 ---