走在汽車革命的路上論文書籍站
深度學習 訓練流程的問題，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
深度學習 訓練流程的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦李錫涵寫的 簡明的TensorFlow 2 和張重生的 人工智能：人臉識別與搜索都 可以從中找到所需的評價。
另外網站【基礎圖片應用篇】DAY15. Image Type模型訓練與資料回測也說明：我們先來看本篇文章的學習重點，後續搭配MusesAI小精靈詳細解說，你可以更快掌握操作的流程！ day15-1.
這兩本書分別來自人民郵電 和電子工業所出版 。
國立嘉義大學 資訊管理學系研究所 張宏義所指導 王威淳的 基於生成對抗網路（GAN）與Mask R-CNN之電腦輔助系統以增強大腸息肉偵測及分類 （2021），提出深度學習 訓練流程關鍵因素是什麼，來自於大腸息肉偵測、生成對抗網路（GAN，Generative Adversarial Network）、物件偵測模型、資料增強（Data Augmentation）、去模糊化。
而第二篇論文國立臺南大學 綠色能源科技學系碩士班 胡家勝所指導 張碩修的 以深度學習短期預測光伏方式控制需求側負載 （2021），提出因為有 深度學習、類神經網路、預測、光伏、智慧化控制的重點而找出了 深度學習 訓練流程的解答。
最後網站什麼是深度學習？ - 人工智慧則補充：深度學習 模型會採用多個資料來源的資訊，並即時分析該資料，而不需要人力介入。在深度學習中，圖形處理單元(GPU) 會針對訓練模型進行最佳化，因為它們可以同時處理多個運算 ...
簡明的TensorFlow 2
為了解決深度學習 訓練流程 的問題，作者李錫涵 這樣論述：
本書圍繞 TensorFlow 2 的概念和功能展開介紹，旨在以“即時執行”視角説明讀者快速入門 TensorFlow。 本書共分5篇：基礎篇首先介紹了 TensorFlow的安裝配置和基本概念，然後以深度學習中常用的卷積神經網路、迴圈神經網路等網路結構為例，介紹了使用 TensorFlow建立和訓練模型的方式，最後介紹了 TensorFlow中常用模組的使用方法；部署篇介紹了在伺服器、嵌入式設備和流覽器等平臺部署 TensorFlow模型的方法；大規模訓練篇介紹了在 TensorFlow中進行分散式訓練和使用 TPU 訓練的方法；擴展篇介紹了多種 TensorFlow 生態系統內的常用及
前沿工具；高級篇則為進階開發者介紹了 TensorFlow程式開發的更多深入細節及技巧。 李錫涵，谷歌開發者專家（機器學習領域），北京大學資訊科學技術學院智慧科學系理學碩士，本科畢業于浙江大學竺可楨學院混合班。曾獲全國青少年資訊學奧林匹克聯賽一等獎，美國大學生數學建模競賽特等獎。曾在多智慧體會議AAMAS和自然語言處理會議COLING上發表學術論文。現研究方向為強化學習在優化領域的實際應用，即將赴倫敦大學學院攻讀電腦博士學位。開源線上入門手冊《簡單粗暴TensorFlow 2》作者。本書封面插圖作者。 李卓桓，谷歌開發者專家（機器學習領域）。清華大學本科，中歐國際工商學院
EMBA，北京郵電大學電腦博士在讀。現任PreAngel合夥人，Plug and Play Ventures Partner，關注種子期AI創業專案。zixia BBS、嘰歪網創始人，曾任優酷網首席科學家、水木清華BBS站長、ChinaRen系統工程師。擁有豐富的互聯網創業投資和程式設計經驗，著有《Linux網路程式設計》《反垃圾郵件完全手冊》《智慧問答與深度學習》《Chatbot從0到1：對話式交互設計實踐指南》等技術書。GitHub 8000+ Star 開源項目 Wechaty 作者。 朱金鵬，華為高級軟體工程師，前谷歌開發者專家（機器學習領域），從事Android系統和運行時設計開發
9年，在Android系統、運行時、機器學習等領域都有較深入的研究和探索。積極參與谷歌技術社區活動並進行技術分享。歡迎關注作者的微信公眾號deepinthinking。 第0章 TensorFlow 概述 1 基礎篇 第1章 TensorFlow 的安裝與環境配置 4 1．1 一般安裝步驟 4 1．2 GPU 版本 TensorFlow 安裝指南 6 1．2．1 GPU 硬體的準備 6 1．2．2 NVIDIA 驅動程式的安裝 6 1．2．3 CUDA Toolkit 和 cuDNN 的安裝 8 1．3 第 一個程式 8 1．4 IDE 設置 9 1．5 TensorFl
ow 所需的硬體設定 10 第2章 TensorFlow 基礎 12 2．1 TensorFlow 1+1 12 2．2 自動求導機制 14 2．3 基礎示例：線性回歸 15 2．3．1 NumPy 下的線性回歸 16 2．3．2 TensorFlow 下的線性回歸 17 第3章 TensorFlow 模型建立與訓練 19 3．1 模型與層 19 3．2 基礎示例：多層感知器（MLP） 22 3．2．1 資料獲取及預處理：tf．keras．datasets 23 3．2．2 模型的構建：tf．keras．Model 和 tf．keras．layers 24 3．2．3 模型的訓練：tf．ker
as．losses 和 tf．keras．optimizer 25 3．2．4 模型的評估：tf．keras．metrics 26 3．3 卷積神經網路（CNN） 28 3．3．1 使用 Keras 實現卷積神經網路 29 3．3．2 使用 Keras 中預定義的經典卷積神經網路結構 30 3．4 迴圈神經網路（RNN） 35 3．5 深度強化學習（DRL） 40 3．6 Keras Pipeline 43 3．6．1 Keras Sequential/Functional API 模式建立模 44 3．6．2 使用 Keras Model 的 compile、fit 和 evaluate 方
法訓練和評估模型 44 3．7 自訂層、損失函數和評估指標 45 3．7．1 自訂層 45 3．7．2 自訂損失函數和評估指標 46 第4章 TensorFlow 常用模組 48 4．1 tf．train．Checkpoint：變數的保存與恢復 48 4．2 TensorBoard：訓練過程視覺化 52 4．2．1 即時查看參數變化情況 52 4．2．2 查看 Graph 和 Profile 信息 53 4．2．3 實例：查看多層感知器模型的訓練情況 55 4．3 tf．data：資料集的構建與預處理 55 4．3．1 資料集物件的建立 55 4．3．2 資料集對象的預處理 57 4．3．3
使用 tf．data 的並行化策略提高訓練流程效率 60 4．3．4 資料集元素的獲取與使用 61 4．3．5 實例：cats_vs_dogs 圖像分類 62 4．4 TFRecord：TensorFlow 資料集存儲格式 64 4．4．1 將資料集存儲為 TFRecord 檔 65 4．4．2 讀取 TFRecord 文件 66 4．5 @tf．function：圖執行模式 68 4．5．1 @tf．function 基礎使用方法 68 4．5．2 @tf．function 內在機制 69 4．5．3 AutoGraph：將 Python 控制流轉換為 TensorFlow 計算圖 72 4
．5．4 使用傳統的 tf．Session 73 4．6 tf．TensorArray：TensorFlow 動態陣列 74 4．7 tf．config：GPU 的使用與分配 75 4．7．1 指定當前程式使用的 GPU 75 4．7．2 設置顯存使用策略 76 4．7．3 單 GPU 模擬多 GPU 環境 77 部署篇 第5章 TensorFlow 模型匯出 80 5．1 使用 SavedModel 完整匯出模型 80 5．2 Keras 自有的模型匯出格式 82 第6章 TensorFlow Serving 84 6．1 TensorFlow Serving 安裝 84 6．2 Tens
orFlow Serving 模型部署 85 6．2．1 Keras Sequential 模式模型的部署 86 6．2．2 自訂 Keras 模型的部署 86 6．3 在用戶端調用以 TensorFlow Serving 部署的模型 87 6．3．1 Python 用戶端示例 87 6．3．2 Node．js 用戶端示例（Ziyang） 88 第7章 TensorFlow Lite 91 7．1 模型轉換 91 7．2 Android 部署 92 7．3 Quantized 模型轉換 96 7．4 總結 100 第8章 TensorFlow．js 101 8．1 TensorFlow．js
環境配置 102 8．1．1 在流覽器中使用 TensorFlow．js 102 8．1．2 在 Node．js 中使用 TensorFlow．js 103 8．1．3 在微信小程式中使用 TensorFlow．js 104 8．2 ensorFlow．js 模型部署 105 8．2．1 在流覽器中載入 Python 模型 105 8．2．2 在 Node．js 中執行原生 SavedModel 模型 106 8．2．3 使用 TensorFlow．js 模型庫 107 8．2．4 在流覽器中使用 MobileNet 進行攝像頭物體識別 107 8．3 TensorFlow．js 模型訓練與性
能對比 110 大規模訓練篇 第9章 TensorFlow 分散式訓練 116 9．1 單機多卡訓練：MirroredStrategy 116 9．2 多機訓練：MultiWorkerMirrored-Strategy 118 第 10 章 使用 TPU 訓練 TensorFlow 模型 120 10．1 TPU 簡介 120 10．2 TPU 環境配置 122 10．3 TPU 基本用法 123 擴展篇 第11 章 TensorFlow Hub 模型複用 126 11．1 TF Hub 網站 126 11．2 TF Hub 安裝與複用 127 11．3 TF Hub 模型二次訓練樣例 1
30 第12章 TensorFlow Datasets 資料集載入 131 第13章 Swift for TensorFlow 133 13．1 S4TF 環境配置 133 13．2 S4TF 基礎使用 134 13．2．1 在 Swift 中使用標準的 TensorFlow API 135 13．2．2 在 Swift 中直接載入 Python 語言庫 136 13．2．3 語言原生支援自動微分 136 13．2．4 MNIST 數字分類 137 第14 章 TensorFlow Quantum： 混合量子 - 經典機器學習 140 14．1 量子計算基本概念 141 14．1．1 量子位
141 14．1．2 量子邏輯門 142 14．1．3 量子線路 143 14．1．4 實例：使用 Cirq 建立簡單的量子線路 144 14．2 混合量子 - 經典機器學習 144 14．2．1 量子資料集與帶參數的量子門 145 14．2．2 參數化的量子線路（PQC） 146 14．2．3 將參數化的量子線路嵌入機器學習模型 146 14．2．4 實例：對量子資料集進行二分類 147 高 級 篇 第15章 圖執行模式下的 TensorFlow 2 150 15．1 TensorFlow 1+1 150 15．1．1 使用計算圖進行基本運算 150 15．1．2 計算圖中的預留位置與資料
登錄 152 15．1．3 計算圖中的變數 153 15．2 自動求導機制與優化器 156 15．2．1 自動求導機制 156 15．2．2 優化器 157 15．2．3 自動求導機制的計算圖對比 158 15．3 基礎示例：線性回歸 161 15．3．1 自動求導機制 162 15．3．2 優化器 162 第16章 tf．GradientTape 詳解 164 16．1 基本使用 164 16．2 監視機制 165 16．3 高階求導 166 16．4 持久保持記錄與多次求導 166 16．5 圖執行模式 167 16．6 性能優化 167 16．7 實例：對神經網路的各層變數獨立求導 16
7 第17章 TensorFlow 性能優化 169 17．1 關於計算性能的若干重要事實 169 17．2 模型開發：擁抱張量運算 170 17．3 模型訓練：數據預處理和預載入 171 17．4 模型類型與加速潛力的關係 171 17．5 使用針對特定 CPU 指令集優化的 TensorFlow 172 17．6 性能優化策略 172 第18章 Android 端側 Arbitrary Style Transfer 模型部署 173 18．1 Arbitrary Style Transfer 模型解析 174 18．1．1 輸入輸出 174 18．1．2 bottleneck 陣列 174
18．2 Arbitrary Style Transfer 模型部署 175 18．2．1 gradle 設置 175 18．2．2 style predict 模型部署 175 18．2．3 transform 模型部署 178 18．2．4 效果 180 18．3 總結 182 附錄 A 強化學習簡介 183 附錄 B 使用 Docker 部署 TensorFlow 環境 197 附錄 C 在雲端使用 TensorFlow 200 附錄 D 部署自己的互動式 Python 開發環境 JupyterLab 211 附錄 E 參考資料與推薦閱讀 214 附錄 F 術語中英對照 216
深度學習 訓練流程進入發燒排行的影片
【線上課程】《過好人生學》～讓你建立迎向未來的思維與能力！
課程連結：https://pse.is/H8JXH
第一講免費試聽：https://youtu.be/-EHOn0UxMys
不定期推出補充教材，讓學習無限延伸：https://pros.is/KQZZH
【8/3開課！】《人際回應力-看懂情緒，輕鬆對談》~第23期
一個人的命運，是回應力的總和！
課程資訊：http://www.koob.com.tw/contents/157
更多學員心得分享：http://goo.gl/Guc6V6
【線上課程】《自信表達力》～讓你不再害怕開口
從「敢表達、說清楚」到讓人「聽得進、會去做」的完整學習
課程連結：https://pse.is/RG5NC
第一講免費試聽：https://youtu.be/fAjySLoa2f8
不定期推出補充教材，讓學習無限延伸：https://pse.is/NUJK9
【線上課程】《理財心裡學》～擺脫家庭影響，從心培養富體質
課程連結：https://pse.is/EPBWE
第一講免費試聽：https://youtu.be/HgrDK7pqR-0
不定期推出補充教材，讓學習無限延伸：https://pse.is/NJ5VE
【線上課程】《時間駕訓班》～
學會提升效率，擺脫瞎忙人生，做自己時間的主人
課程連結：https://pse.is/DDDHB
第一講免費試聽：https://youtu.be/flfm52T6lE8
不定期推出補充教材，讓學習無限延伸：https://pse.is/GXZWM
【線上課程】《人際斷捨離》～
讓你留下怦然心動的關係，活出輕盈自在的人生！
課程連結：https://pse.is/E5MW5
第一講免費試聽：https://youtu.be/YyLvd1cNcDw
不定期推出補充教材，讓學習無限延伸：https://pse.is/LVRLY
【我們有Podcast囉～】歡迎到Podcast應用裡搜尋「啟點文化一天聽一點」訂閱我們！
Apple Podcast～https://pse.is/N2WCZ
Google Podcast～https://pse.is/PEN2Z
在Himalaya收聽～https://www.himalaya.com/ekoob
在Spotify收聽～https://pse.is/PQT76
在SoundCloud收聽～https://soundcloud.com/ekoob
桌遊【人際維基】～一玩就懂得別人的在乎：https://goo.gl/Ej4hjQ
到蝦皮購買【人際維基】：https://goo.gl/ASruqR
=========================
每個人都想要找到更穩定、更有保障的工作，不過我要提醒的是，要是你沒看今天的節目，到頭來，你可能只剩下一場空。
在收看影片之前，不管你是在Youtube還是Podcast收看或收聽，記得訂閱我們的頻道，你的具體支持，是我們製作節目的最大動力～
最近在網路上，有某些關鍵字持續的飆升，像是「企業紓困」、「疫情紓困」都引起上萬人次的搜尋。
而這些關鍵字的背後，也代表著在疫情平息之前，無薪假、失業這些問題不會改善，人們也很難恢復安全、穩定的生活；因此人們會傾向去尋找更有保障的工作，這也讓坊間的公職考試補習班，又熱門起來了！
公職補習班迷思
當然喔，追求安全、穩定本來就是人性，只是當我發現這些公職補習班，還用一些有一點不合時宜的標語，對求職者做宣傳，像是什麼呢？「參加銀行特考，就能擁有讓人羨慕的福利跟待遇」。
甚至是「書記官地位崇高，形象良好，進可攻擊他人之不正，退可保守自己親朋之安全。」這其實是一類的訴求喔，有一點誤導大眾的認知跟行為，我一定要來逆風發言一下。
那為什麼我會這樣說呢？台灣喔的「人工智慧」教父～李開復先生，在他的著作《AI新世界》裡面提到。
他認為人工智慧註定會顛覆世界，並且會帶來前所未有的經濟失衡，而眼下最直接的，就是在未來的五到十年之內，對於全球就業市場帶來的衝擊，很多一般人認定的金飯碗，很可能都會被AI取代。
白領失業潮來了！
李開復在他的書裡面，更進一步的指出，近年來，世界各國因為「無人銀行」的興起，各種AI的工具，已經可以承擔90%以上的金融業務。
再加上喔現代年輕人，普遍使用行動支付、網路銀行的比例越來越多；實際到銀行臨櫃的人越來越少，而第一線的金融人員的工作就此消失，已經是顯而易見的結局！
國外甚至於已經出現申請貸款，把資料送出到核可，不到幾個小時就能夠完成。
這裡的關鍵，就在於AI機器人已經掌握申請人的大量數據，可以在很短的時間裡面做完風險評估，而這些都是人類很難做到的事情。
再來，法院書記官的工作，就是掌管司法紀錄、編案、文牘、統計這些事務；講白話文就是「法院資料的輸入與管理」。
但你知道嗎？現在的科技，已經可以讓機器聽懂人類說話，同時呢在螢幕上轉換成精準的文字，準確率高達九成以上。
你想想看喔，假如準確率繼續提高，費用也越來越平價，法院或者是政府是不是有很大的可能性，會直接採購這樣的設備來取代書記官呢？
一來呢，大幅降低薪資的費用，二來呢，降低人員管理的問題；畢竟人類加班會抱怨，但機器不會有這個問題。
聽到這裡喔，你也許會好奇，以前聽說的AI、人工智能會取代的工作，那應該都是像工廠的工人，或者是體力活動的藍領階層才對啊！
那怎麼現在這些靠「腦袋」的工作，像是銀行行員、書記官，這些白領職業，也會被AI取代呢？
這是因為啊，現代的AI本質，其實是一種「深度學習」！那什麼是「深度學習」呢？
李開復先生在他的書裡面提到，深度學習是一種模仿生物智能的「神經網絡式」的學習方法。
簡單來說喔，過去的電腦只能執行單一程式；比如說，你希望機器人幫你到早餐店買三明治；那麼一旦輸入你家到早餐店的路線，機器人就會執行到底。
如果在路上遇到車它不會閃，遇到人也會直接輾過去，一直到抵達早餐店它才會停止，那是一種沒有思考、沒有應變能力的一個反應模式。
而神經網絡式的學習，則是透過數據資料，幫機器人建立起路況，可能會遇到的障礙物這些相關的應變資訊跟程式。
讓機器人可以在遇到阻礙的時候，先停下來，重新偵測、評估環境的狀況，再計算出成功率最高的路線，轉個彎重新出發，這已經是很接近人類能夠做到的靈活思考。
也就是說啊，在固定的場景底下，只要能透過數據，找到人類固定的「行為模式」，再請工程師把行為模式寫成「運算的程式」。
最後依據收集到的海量大數據，讓AI系統去做深度的學習，AI就能夠擁有思考能力，取代很多白領的工作。
容易被AI幹掉的二特點
從上面的例子，我們可以進一步的知道，符合以下二個特點的工作，很有可能會跟恐龍一樣，在地球上消失喔。
這二個特點又是什麼呢？第一個、那些資料、流程可以編碼的工作；第二個、人際互動頻率很低的工作。
打個比方來說，就像是現代的醫檢師、放射科的醫師，或者是銀行行員，他們都是在固定場景底下，專門分析數據跟資料，再不然就是工作流程有明確的SOP。
工作內容固定，而且有一套嚴格的作業流程和評判標準，不會有太多參數的變化，就很容易被編碼，而變成一條程式。
在未來呢，凡是可編碼的流程，再讓機器人通過大量數據的深度學習，就能夠快速的優化，任何動作都會比人類更快、更精準，而且可以一直進步，還不會喊累！
我們與AI的距離
要是你聽到這裡還半信半疑，感受不到AI對於職場的全面破壞，那麼我再提供一個更貼近你我的事實～
台灣的知名品牌～華碩電腦，在他們關渡總部的13樓，已經有一個130人的AI團隊，成軍了16個月。
而負責領軍的華碩全球副總裁～黃泰一先生，他就表示喔，華碩的AI團隊，已經鎖定醫療、交通、零售這三大產業的數據池，累積使用者的數據資料、網路足跡等等的一切。
透過這些進一步的為零售店家、醫院、輪胎業者，建立起節省人力、降低風險，而且能夠精準行銷的演算法系統。
幫助華碩在他們的未來，能夠透過大量的數據，以及資料跟資料之間的相互運用，所產生的商業價值來賺錢！
儘管現階段呢，華碩只針對醫療、交通、零售這三大產業在搜集數據，不過可以想見的是喔，只要精準的演算法系統建立；商店它是不需要店員，醫院它可能也不太需要醫檢師，輪胎製造廠不需要工人。
而未來這三大產業所需要的「人力」，將以跳崖式的速度往下滑。這也間接證實了李開復先生，在《AI新世界》這一本書裡面所預告的。
他說：「在未來的5～10年之內，現有的50%工作，將會由AI取代」！
所以拉回來看，只要你有稍微留意時事，你一定知道現代的公務人員、銀行行員，就算寒窗苦讀多年考了進去，福利和工作的輕鬆度，也都大不如前了，更別說他們的未來和發展。
也就是說喔，要是你忽略真實職場上正在發生的變化，那麼很有可能等到你花錢、花時間努力考上公股銀行的行員啊、書記官啊...等等的，卻只能做個幾年，就被裁撤了！
這樣的投資報酬率，你覺得划算嗎？算一下喔！會不會你以為自己考到一個安全可靠的資格，但是真正得到的，卻是更高的失業風險！
你想因為「眼前」短暫的穩定，而把自己放到更大的危險裡嗎？如果你不想，你可以選擇現在就打開眼睛，開始為自己的未來做準備～
假如你很想要為自己打造不敗的未來，讓自己的求職、轉職之路，擁有更務實的安全跟穩定，我會很鼓勵你參與我們啟點線上學苑～【過好人生學】這一門課的學習。
人工智慧的時代已經來臨了，但我們卻還用舊時代的工人智慧的腦袋，在面對自己的人生，你曾想過這是為什麼嗎？
其實答案很簡單，那就是「終極選項」和「路徑依賴」這兩大迷思，困擾了很多人。
在【過好人生學】的課程裡，我就會陪伴你去看見「終極選項」這樣的觀念，它的危險之處。
它在於喔，人類的大腦一旦認定當我們「找到了最好的答案」，或者是「最好的鐵飯碗」之後，我們就不再動腦筋思考了，所以會看不見鐵飯碗早就成了破飯碗，千萬別碰！
而「路徑依賴」呢？它是指喔，人會習慣用過去的經驗，想現在的事，然後去預測未來。
比如說吧，你念醫學院，所以就只能當醫生；再比如說，你過去在某個行業，所以你在轉職的時候，就只能做相關的行業。
而弔詭的是，如果過去的經驗能夠適用於現在，還能夠幫你預測未來的話，那每個人都是半仙了啊，也不會有失業的問題、找不到工作的狀況了，不是嗎？
所以呢，無論你是白領，還是藍領的朋友，我想要跟大家說的是喔，未來AI的潮流肯定是沒有辦法阻擋的，無論你想不想面對，它遲早都會來！
不過我也很肯定的告訴你，在我們失去「舊工作」的同時，這個世界還會增加許多的「新工作」。
只要你願意改變，跟上腳步，某些你覺得沒有什麼的工作，其實都潛藏著非常大的人力缺口，值得你好好的關注。
而幫助你換個腦袋，轉換成智能思考的第一步，就是歡迎你加入我們的線上課程【過好人生學】。
【過好人生學】從即日起，到6/12晚上十二點止，我們將推出季節限定的1413的優惠價～
我一直相信喔，未來仍然是充滿希望的，在【過好人生學】裡面，我會用最淺顯易懂的話，點破你對於生涯的迷思，幫助你移除20世紀的思考遺毒，發展出最適合21世紀的生存策略。
我還會幫助你繞過三個心智的陷阱，陪伴你一步一步的去建立起，新時代必備的四大能力，你將看見自己的更多可能性，並且懂得轉換自身的專業，幫自己規劃1413、一世一生的生涯藍圖，過上一個更好的人生。
歡迎你加入學習，也希望今天的分享能夠帶給你一些幫助，我是凱宇。
如果你喜歡我製作的內容，請記得訂閱我們的頻道，YouTube收看的朋友，除了訂閱之外，記得把訂閱旁邊的小鈴鐺打開。
而Podcast收聽的朋友，除了訂閱之外喔，也請給我們5顆星的評價，並且把它分享給你身旁的朋友，我們需要你用最具體的行動來支持我們。
然而如果你對於啟點文化的商品或課程有興趣的話，如同今天提到的【過好人生學】，我們季節限定的1413優惠，陪伴你一世一生。
歡迎你的加入，更期待你在學習之後的發現；那麼今天就跟你聊到這邊了，謝謝你的收看，我們再會。
基於生成對抗網路（GAN）與Mask R-CNN之電腦輔助系統以增強大腸息肉偵測及分類
為了解決深度學習 訓練流程 的問題，作者王威淳 這樣論述：
大腸癌目前是全世界排名第三常見的癌症。大腸息肉為大腸癌之前身。所以大腸息肉的檢測為重要的臨床研究議題。如能及早發現大腸息肉，提前切除，就能有效降低死亡率。大腸鏡為偵測大腸息肉的首選方式。根據研究顯示，平均每人次完成大腸鏡檢仍有26% 的大腸息肉未被發現。因此利用深度學習來幫助醫師辨識出大腸息肉是目前重要的研究。大腸息肉又分為良性息肉與惡性息肉。惡性息肉中以扁平鋸齒狀腺瘤生長速度快，易惡變，但相對數量少且不易被發現。但訓練深度學習模型需要大量的訓練資料，因此本研究使用資料增強加上Conditional GAN生成出更多的扁平鋸齒狀腺瘤訓練資料集。再利用物件偵測模型YOLOv4訓練，以提供鏡檢醫
師完善的電腦輔助偵測系統並提高腺瘤檢出率及準確的判斷息肉類別。此外大腸鏡即時操作時常會因晃動造成影像模糊而影響息肉辨識，所以本研究提出利用DeblurGAN-v2進行去模糊化。最後訓練Mask R-CNN，在偵測到息肉後，推算息肉的真實面積，提供鏡檢醫師一個可依照息肉大小判斷病情嚴重度及後續追蹤間隔時間的重要依據。經實驗結果後發現使用GAN資料比只使用資料擴增的模型的mAP提升了2.42%，對模糊圖片使用DeblurGAN-v2後再偵測的mAP提升5.10%，Mask R-CNN的mAP則為86.24%，可有效幫助醫師找出息肉並判斷病情嚴重度。
人工智能：人臉識別與搜索
為了解決深度學習 訓練流程 的問題，作者張重生 這樣論述：
人臉識別是當今的熱門應用領域和研發方向，在安防、金融、公共服務等領域具有十分廣泛的應用。本書全面、系統地介紹“刷臉”背後的技術，包括人臉檢測、人臉識別、人臉關鍵點定位、人臉檢索相關的演算法和實現技術。另外，本書還囊括了前沿的、基於深度學習的人臉識別技術（2014—2020年）。本書講解的演算法具有前沿性和實用性。通過本書學習，學習人員能夠在3～5個月內系統地瞭解、掌握人臉檢測、人臉識別、人臉關鍵點定位、人臉檢索的演算法原理與實戰技術。本書內容新穎、技術前沿、層次清晰，適合高校教師、研究生、工程師和人臉識別愛好者使用。 張重生 男，博士，教授，碩士生導師，河南大學大數據研究
中心、大數據團隊帶頭人。研究領域為大數據分析、深度學習、數據挖掘、數據庫、數據流（即時數據分析）。博士畢業于 INRIA,France(法國國家資訊與自動化研究所)，獲得優秀博士論文榮譽。2010年08月至2011年3月，在美國加州大學洛杉磯分校(UCLA)，計算機系，師從著名的數據庫專家Carlo Zaniolo教授，從事數據挖掘領域的合作研究。 2012-2013,挪威科技大學，ERCIM/Marie-Curie Fellow。 第1章 人臉識別概述 1 1.1 廣義的人臉識別的1:1、1:N和N:N比對計算模式 2 1.1.1 人臉驗證——1:1相似度對比 3 1.1
.2 人臉檢索——1:N相似度比對 4 1.1.3 N:N人臉相似性計算 6 1.1.4 人臉檢測、人臉識別、人臉檢索與1:1、1:N、N:N 人臉相似度計算 6 1.2 人臉識別技術的應用場景 7 1.2.1 當前應用 8 1.2.2 未來應用 11 1.3 常用資料集介紹 12 1.3.1 人臉檢測資料集 12 1.3.2 人臉識別資料集 14 1.3.3 人臉關鍵點定位資料集 15 1.3.4 其他資料集 16 本章參考文獻 17 第2章 人臉檢測技術的最新進展 19 2.1 Cascade CNN人臉檢測演算法 20 2.2 MTCNN人臉檢測演算法 24 2.3 Face R-CN
N人臉檢測演算法 27 2.4 SSH人臉檢測演算法 28 2.5 DSFD人臉檢測演算法 32 2.6 本章小結 35 本章參考文獻 36 第3章 人臉識別技術的最新進展 38 3.1 DeepID系列人臉識別演算法 39 3.2 FaceNet人臉識別演算法 41 3.3 ArcFace人臉識別演算法 44 本章參考文獻 47 第4章 人臉關鍵點定位技術的最新進展 49 4.1 Coarse-to-Fine CNN人臉關鍵點定位演算法 50 4.2 TCDCN人臉關鍵點定位演算法 51 4.3 SIR-LAN人臉關鍵點定位演算法 52 4.4 SAN人臉關鍵點定位演算法 54 4.5
WingLoss：人臉關鍵點定位演算法的損失函數設計 55 本章參考文獻 56 第5章 人臉檢索技術的最新進展 57 5.1 人臉檢索與人臉識別的相似之處與不同之處 57 5.2 人臉檢索與圖像檢索的相似之處與不同之處 58 5.3 基於深度雜湊的人臉檢索演算法 59 5.4 同時考慮雜湊碼損失和分類損失的圖像檢索技術 61 本章參考文獻 63 第6章 經典的人臉檢測演算法 64 6.1 DPM人臉檢測演算法 65 6.1.1 DPM人臉檢測演算法原理 65 6.1.2 DPM人臉檢測演算法檢測結果 70 6.2 LAEO人臉檢測演算法 71 6.2.1 LAEO人臉檢測演算法原理 71
6.2.2 LAEO人臉檢測演算法檢測結果 74 6.3 Viola ＆ Jones人臉檢測演算法 75 6.3.1 Viola ＆ Jones人臉檢測演算法原理 75 6.3.2 Viola ＆ Jones人臉檢測演算法檢測結果 78 本章參考文獻 79 第7章 基於深度學習的人臉檢測演算法實踐 82 7.1 CNN Facial Point Detection人臉檢測演算法 82 7.1.1 CNN Facial Point Detection人臉檢測演算法原理 83 7.1.2 CNN Facial Point Detection人臉檢測演算法檢測結果 83 7.2 DDFD人臉檢測演
算法 84 7.2.1 DDFD人臉檢測演算法原理 85 7.2.2 DDFD人臉檢測演算法檢測結果 85 7.3 人臉檢測演算法融合 86 本章參考文獻 88 第8章 基於Fast R-CNN的人臉檢測實踐 90 8.1 Fast R-CNN簡介 90 8.2 Fast R-CNN的特點和結構 91 8.3 資料集的預處理 94 8.4 基於Fast R-CNN訓練人臉檢測模型 95 8.4.1 訓練階段 95 8.4.2 測試階段 101 本章參考文獻 105 第9章 基於HOG特徵的人臉關鍵點定位實踐 105 9.1 H-GBDT演算法介紹 108 9.2 相關演算法介紹 111 9
.2.1 GBDT演算法介紹 111 9.2.2 HOG特徵介紹 113 9.3 H-GBDT人臉關鍵點定位演算法設計 114 9.4 實驗設計 115 9.4.1 資料集 115 9.4.2 SO-RF演算法和Face 人臉識別系統 117 9.4.3 實驗結果比較 118 9.5 本章小結 125 本章參考文獻 126 第10章 人臉識別實踐 125 10.1 DeepID演算法 131 10.1.1 DeepID演算法的原理 132 10.1.2 DeepID演算法實現 133 10.1.3 DeepID演算法結果 146 10.2 VGG Face Descriptor演算法 148
10.2.1 VGG Face Descriptor演算法原理 148 10.2.2 VGG Face Descriptor演算法實現 150 10.2.3 VGG Face Descriptor演算法結果 152 10.3 3種經典的人臉識別演算法 155 10.3.1 EigenFaces演算法 155 10.3.2 FisherFaces演算法 165 10.3.3 LBP演算法 174 10.4 人臉識別演算法對比分析 179 10.5 本章小結 180 本章參考文獻 181 第11章 人臉檢索實踐 177 11.1 人臉檢索簡介 185 11.2 計算人臉相似度的方法 186 1
1.2.1 歐氏距離 186 11.2.2 余弦相似度 188 11.3 圖像快速查找演算法 189 11.4 評價人臉檢索結果的標準 190 11.5 PHash演算法 190 11.5.1 PHash演算法原理 190 11.5.2 PHash演算法實現 191 11.5.3 PHash演算法的實驗資料、實驗結果及其分析 193 11.6 DHash演算法 194 11.6.1 DHash演算法原理 195 11.6.2 DHash演算法實現 195 11.6.3 Dhash演算法的實驗資料、實驗結果及其分析 197 11.7 PCA演算法 198 11.7.1 PCA演算法原理 198
11.7.2 PCA演算法實現 200 11.7.3 PCA演算法的實驗資料、實驗結果及其分析 203 11.8 BoF-SIFT演算法 204 11.8.1 BoF-SIFT演算法原理 205 11.8.2 BoF-SIFT演算法實現 205 11.8.3 BoF-SIFT演算法的實驗資料、實驗結果及其分析 213 11.9 用於圖像快速檢索的KD-Tree索引 215 11.9.1 FLANN演算法的使用 215 11.9.2 KD-Tree的創建與查詢處理 215 11.9.3 FLANN中KD-Tree演算法的實現 217 11.9.4 FLANN演算法的實驗資料、實驗結果及其分析 2
19 11.10 Gabor演算法 220 11.10.1 Gabor演算法原理 220 11.10.2 Gabor演算法實現 223 11.10.3 Gabor演算法的實驗資料、實驗結果及其分析 229 11.11 HOG 231 11.11.1 HOG原理 231 11.11.2 HOG實現 232 11.11.3 HOG的實驗資料、實驗結果及其分析 234 11.12 基於DeepID的人臉檢索 236 11.12.1 DeepID方法 236 11.12.2 神經網路結構介紹 236 11.12.3 DeepID演算法的實驗資料、實驗結果及其分析 237 11.13 雜湊方法和深度雜湊
方法 238 本章參考文獻 240 第12章 人臉檢測商務軟體及其應用示例 232 12.1 VeriLook 241 12.2 Face 247 12.3 各種演算法的對比分析 250 12.4 視頻中的人臉檢測與追蹤 253 本章參考文獻 257 第13章 GAN與人臉生成 248 13.1 DCGAN 259 13.1.1 DCGAN原理 259 13.1.2 DCGAN判別器和生成器的優化過程 262 13.1.3 DCGAN訓練流程 263 13.1.4 實驗結果 269 13.2 BEGAN 270 13.2.1 網路模型結構 273 13.2.2 BEGAN判別器和生成器優化
過程 275 13.2.3 BEGAN訓練流程 277 13.2.4 實驗結果 286 本章參考文獻 288 後記 275
以深度學習短期預測光伏方式控制需求側負載
為了解決深度學習 訓練流程 的問題，作者張碩修 這樣論述：
本論文使用以類神經網路短期預測方式控制以3120W之太陽能板與儲能電池結合的非併網家用電力系統。考量到深度學習及5G網路的發展，越來越多裝置連接網路形成物聯網，調度再生能源發電時可為使用者帶來更高的便利性。系統的發電來源主要以太陽能發電為主，並透過電源轉換器為電力系統負載供電及為儲能電池充電。太陽能具有間歇性，因此當太陽能發電功率不足時電源管理系統會使儲能電池補償功率。本論文以類神經網路的方式預測未來一分鐘後的太陽能電壓值，預測後的結果以微處理機模擬遙控器來控制冷氣。實驗結果顯示出以類神經網路模型預測太陽能板電壓值變化的具有很好的準確度，可達到以人機介面實現智慧化控制之目的。