深度學習模型 選擇的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

PyTorch深度學習：電腦視覺流行專案親自動手

為了解決深度學習模型 選擇的問題，作者郭卡,戴亮 這樣論述：

從實踐中理解深度學習，從專案中掌握電腦視覺知識 零數學公式，PyTorch入門的最佳選擇！ 　　本書分為基礎講解和專案實例兩個部分，以程式撰寫為主，理論解析為輔。 　　在基礎講解部分，本書透過程式設計實驗對深度學習理論進行展示，讓讀者能夠擺脫複雜難懂的數學公式，在程式設計的過程中直觀了解深度學習領域晦澀的原理。介紹scikit-learn和PyTorch兩個函數庫的組成模組，以及每個模組能解決的問題。 　　在專案實例部分，為了幫助初學者快速了解深度學習中的一些細分領域（如物件辨識、圖型分割、生成對抗網路等）的技術發展現狀，本書對相應領域的經典演算法進行了介紹，並根據經典演算法的想法，

針對性地設計了適合初學者學習的實例專案。這些專案去除了演算法中的繁瑣細節，僅保留最基礎的邏輯，力求讓讀者在撰寫程式之前，更進一步地了解任務想法。我們為讀者挑選了很多在業界有實際應用場景的深度學習專案，重點介紹它們的想法以及程式實現。 　　【本書特點】 　　．最紮實的Sklearn根基 　　．最好用的PyTorch+Anaconda+Jupyter實作 　　．最簡單的實例完勝卷積神經網路 　　．物件辨識、圖型分割、以圖搜圖 　　．GAN生成對抗網路產生高清圖片 　　．ONNX模型全平台部署 　　【適合讀者群】 　　．深度學習相關的科學研究工作者 　　．電腦視覺從業者 　　．想要了解深度學習技

術的程式設計師 　　．對深度學習感興趣的入門讀者  

深度學習模型 選擇進入發燒排行的影片

應用於物件偵測與關鍵字辨識之強健記憶體內運算設計

為了解決深度學習模型 選擇的問題，作者江宇翔 這樣論述：

近年來，由於不同的應用都能夠藉由和深度學習的結合而達到更好的結果，像是物件偵測、自然語言處理以及圖像辨識，深度學習在終端設備上的發展越來越廣泛。為了應付深度學習模型的龐大資料搬移量，記憶體內運算的技術也在近年來蓬勃發展，不同於傳統的范紐曼架構，記憶體內運算使用類比域的計算使儲存設備也同樣具備運算的能力。儘管記憶體內運算具有降低資料搬移量的優點，比起純數位的設計，在類比域進行計算容易受到非理想效應的影響，包括元件本身或是周邊電路的誤差，這會造成模型災難性的失敗。此篇論文在兩種不同的應用領域針對記憶體內運算進行強健的模型設計及硬體實現。在電阻式記憶體內運算的物件偵測應用當中，我們將重點放在改善模

型對於非理想效應的容忍度。首先，為了降低元件誤差的影響，我們將原本的二值化權重網路改變為三值化權重網路以提高電阻式記憶體中高阻態元件的數量，同時能夠直接使用正權重及負權重位元線上的電流值進行比較而不使用參考位元線作為基準。其次，為了避免使用高精度的正規化偏差值以及所導致的大量低阻態元件佈署，我們選擇將網路中的批次正規化層移除。最後，我們將運算從分次的電流累加運算改為一次性的運算，這能夠將電路中非線性的影響降到最低同時避免使用類比域的累加器。相較於之前的模型會受到這些非理想效應的嚴重影響導致模型無法運作，我們在考慮完整的元件特性誤差，周邊電路誤差以及硬體限制之下，於IVS 3cls中做測試，能夠

將平均精確度下降控制在7.06\%，在重新訓練模型後能更進一步將平均精確度下降的值降低到3.85\%。在靜態隨機存取記憶體內運算的關鍵字辨識應用當中，雖然非理想效應的影響相對較小，但是仍然需要針對周邊電路的誤差進行偏壓佈署補償，在經過補償及微調訓練後，在Google Speech Command Dataset上能夠將準確率下降控制在1.07\%。另外，由於語音訊號會因為不同使用者的資料而有大量的差異，我們提出了在終端設備上進行模型的個人化訓練以提高模型在小部分使用者的準確率，在終端設備的模型訓練需要考量到硬體精度的問題，我們針對這些問題進行誤差縮放和小梯度累積以達到和理想的模型訓練相當的結果

。在後佈局模擬的結果中，這個設計在推論方面相較於現有的成果能夠有更高的能源效率，達到68TOPS/W，同時也因為模型個人化的功能而有更廣泛的應用。

圖解TensorFlow 2初學篇：實作tf.keras + Colab雲端、深度學習、人工智慧、影像辨識

為了解決深度學習模型 選擇的問題，作者林大貴 這樣論述：

　　TensorFlow 2是最受歡迎的「人工智慧與深度學習」平台，學會了TensorFlow 2，對於你的現有工作提升與未來轉職都有很大的幫助，然而多數人在學習過程中卻遇到了很多困難，而本書能解決學習TensorFlow 2的障礙。 　　✪漸進式系統化學習TensorFlow 2 　　本書是《圖解TensorFlow 2》系列叢書的第一本初學篇，本系列叢書主要是幫助初學者解決進入此領域的障礙，循序漸進有系統地學習「TensorFlow 2與人工智慧、深度學習」，本系列叢書詳細說明於本書序言。 　　✪圖解輕鬆理解深度學習與人工智慧 　　很多讀者都是在百忙之中抽空學習，本

書以很多的「圖解」來解說深度學習原理與程式系統的架構圖。由於「一張圖勝過千言萬語」，比起文字的說明，「圖解」更可讓原理易懂且印象深刻。 　　✪Step by Step實作快速上手 　　你只需要有Python基礎，依照本書範例程式碼Step by Step的詳細解說，便可讓你快速學會實作不同的深度學習模型。 　　✪節省訓練模型的時間與金錢 　　本書介紹Google Colab，只需要有Google帳號與瀏覽器，就能夠免費使用GPU訓練模型，加快訓練速度十多倍以上，可節省你採購與安裝顯示卡的昂貴費用。 　　✪培養「深度學習模型」直覺式的理解 　　本書介紹玩TensorFlow Playgro

und理解深度學習的原理。透過實際示範，讓你眼見為憑（有圖有真相），例如：什麼是「神經元」？什麼是「過度擬合」（overfitting）？並了解如何設定超參數等。 　　✪學會TensorFlow 2的最新技術 　　本書介紹TensorFlow 2的高階API tf.keras建立多層感知器（MLP）與卷積神經網路（CNN） 模型，能簡化模型建立與訓練，還介紹三種建立模型的方式以及四種儲存模型方式。 　　✪學會影像辨識從原理到實作 　　本書介紹影像辨識原理，以視覺化顯示CNN模型每一層特徵圖，讓你理解卷積層與池化層如何提取特徵。多個範例程式實作了影像預處理、建立模型、訓練、測試模型、預測結果

、儲存模型。 　　✪學會訓練深度學習模型的實務經驗 　　本書教你使用DropOut、Regularization、BatchNormalization、EarlyStop、ImageDataAugment等方法，可有效降低overfitting與提高準確率。將Cifar CNN模型原本準確率69%大幅提高至90%。 本書特色 　　繼台灣人工智慧領域最暢銷著作《TensorFlow+Keras深度學習人工智慧實務應用》之後，大數據分析大師、暢銷名作家 林大貴最新力作《圖解TensorFlow 2初學篇：實作tf.keras + Colab雲端、深度學習、人工智慧、影像辨識》嶄新登場！解決學

習TensorFlow 2的障礙，輕鬆進入深度學習與人工智慧領域！ 　　✪漸進式系統化學習TensorFlow 2 　　✪圖解輕鬆理解深度學習與人工智慧 　　✪Step by Step實作快速上手 　　✪Colab節省訓練模型的時間與金錢 　　✪養成深度學習模型直覺式的理解 　　✪學會TensorFlow 2的最新技術 　　✪學會影像辨識模型從原理到實作 　　✪學會訓練深度學習模型的實務經驗

深度學習應用於結構耐震性能評估 – 以後拉式預力預鑄混凝土節塊橋樑為例

為了解決深度學習模型 選擇的問題，作者曾揚 這樣論述：

非線性增量動力分析（Incremental Dynamic Analysis）是一個用以評估結構耐震性能的方法，該方法透過將地動記錄的強度縮放到不同尺度對結構進行模擬實驗，以獲得強度與結構行為的關係作為評估結構耐震性能的參考。然而，由於非線性增量動力分析耗費的分析成本極高，故通常用於分析的地動記錄數量不多，也因此使得繪製易損性函數（Fragility Function）時可能存在著取樣誤差。且當結構性能產生變化，如預應力損失等，會影響結構行為，需要花費高成本來重新進行分析。故本研究以後拉式預應力預鑄混凝土節塊橋梁為例，嘗試使用深度學習模型來預測結構物的耐震行為，並使用此結果繪製易損性函數來評

估結構的耐震性能，與非線性增量動力分析繪製的結果做比較，評估此方法的可行性。本研究以監督式學習的方式訓練模型，為了獲得監督式學習的訓練數據，以建模軟體(ABAQUS)建構離散有限元素模型，使其承載震波並進行非線性增量動力分析。藉由非線性增量動力分析的位移量製作標籤，並提取地動記錄的特徵及預拉應力的改變倍率作為深度學習模型的輸入資料，進行模型訓練與優化，期望使模型可以延伸使用數值分析的結果來增加耐震性能的評估準確性及降低成本。