神經網路的問題，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

全格局使用PyTorch：深度學習和圖神經網路 實戰篇

為了解決神經網路的問題，作者李金洪 這樣論述：

熟悉基礎，精通實戰。 　　接續了上一本實戰篇的基礎，本書將介紹目前最流行的物體辨識和自然語言處理在圖神經網路上的最完整應用。當你熟悉了神經網路之後，接下來要精進的就是針對網路結果的強化及最佳化。在GNN的基礎上，針對目前最流行的視覺處理模型進行修改、架設及強化，並且實際應用在現有的平台上。本書的重點就是大量了使用現有的Python函數庫，並且應用了最新的資料集，讓你能真正看到資料套用在模型上的強大能力。在針對Pytorch的函數庫上，不但有視覺應用，更有號稱人工智慧明珠的NLP應用。使用了Torchtext以及NLP的唯一/最佳選擇Huggingface Transformers。而大家

耳熟能詳，但又不知道怎麼用的模型，包括GPT-2、Transformer-XL、ALBERT、ELECTRA、DistillBERT等，在書中都有詳細介紹。另外為了解開DL的神祕，本書也難得介紹了Captum套件，讓深度神經網路更具可解釋性。本書最後也不忘介紹ZSL、這種極少量資料就可訓練高精度模型的方法。有關異質圖神經網路部分，也有大量DGL和NetworkX的範例，實戰篇+基礎篇兩本書，要不充分了解GNN都不行。 本書特色 　　～GNN 最強實戰參考書～ 　　●使用圖型的預訓練模型、Torschvision，GaitSet模型、CASIA-B資料集 　　●高級NLP模型訓練及微調、BE

RTology、CBOW、Skip-Gram、Torchtext、spaCy 　　●文字使用模型TextCNN來把玩IMDB資料庫 　　●高階工程師才會用的Mist啟動函數、Ranger最佳化器 　　●正宗NLP函數庫Huggingface Transformers詳解、AutoModel、AutoModelWithMHead、多頭注意力、PretrainedTokernizer  

神經網路進入發燒排行的影片

導入智慧建築之實務研究

為了解決神經網路的問題，作者戴成煜 這樣論述：

現代人對於科技要求越來越進步，逐漸地也想發展到人的週遭事物方面，而除了智慧型手機外，就是居住環境方面，為了求方便及科技並存，開始發展出智慧建築這項名詞，主要是結合科技、住家、環保等各條件所產生。本研究目的主要是了解建築業者如何將科技導入房屋內，做整合性的服務，並且知道目前智慧建築業者所面臨到的現況與如何去改善。本研究透過質性訪談方式，訪問相關建築背景之負責人來做出探討，探討業界的專家是如何看待智慧建築，以及相關的想法。從研究訪談結果得知，智慧建築業者對於結合物聯網科技，讓使用者可以更加便利，另外智慧建築系統導入社區管理應用與在政策的鼓勵或限制都是會影響的關鍵因素。

PyTorch深度學習實作：利用PyTorch實際演練神經網路模型

為了解決神經網路的問題，作者VishnuSubramanian 這樣論述：

　　PyTorch是Facebook於2017年初在機器學習和科學計算工具Torch的基礎上，針對Python語言發佈的一個全新的機器學習工具套件，一經推出便受到業界廣泛關注和討論，目前已經成為機器學習從業人員首選的一款研發工具。 　　本書是使用PyTorch建構神經網絡模型的實用指南，內容分為9章，包括PyTorch與深度學習的基礎知識、神經網路的構成、神經網路的高階知識、機器學習基礎知識、深度學習在電腦視覺上的應用、深度學習在序列資料和文字當中的應用、生成網路、現代網路架構，以及PyTorch與深度學習的未來走向。 　　本書適合對深度學習領域感興趣且希望一探PyTo

rch究竟的業界人士閱讀。具備其他深度學習框架使用經驗的讀者，也可以透過本書掌握PyTorch的用法。 　　本書範例檔： 　　github.com/PacktPublishing/Deep-Learning-with-PyTorch

考量CSI相位偏移偵測與校正之室內定位演算法

為了解決神經網路的問題，作者林聖曄 這樣論述：

通道狀態資訊(Channel StateInformation, CSI)可用於室內定位，起到監視人們生活的作用。它使用Wi-Fi多通道訊號，不受光源、聲音干擾，並具備優異的角度、距離感測能力。本文研究中心頻率5.22GHz，頻寬20MHz，56子載波的CSI量測值。在9個不同位置，收集實驗室中57個位置傳送的CSI訊號。在本研究中，我們發現隨機π跳動問題，使得每根天線的相位可能出現±π偏移，這主要是硬件的鎖相環造成的。由於相位的不同，三根天線之間有四種可能的相位差組合。為了估計使用者的位置，我們把CSI量測值轉化為熱力圖作為深度學習網路模型的輸入，來解決本問題。為了克服多路徑效應，經由多訊

號分類(Multiple Signal Classification, MUSIC)計算出到達角(Angle of Arrival, AoA)與飛行時間(Time of Flight, ToF)的熱力圖。然而，由於ToF量測平台存在延時偏移，在本研究中，把熱力圖最大值對應的距離平移到信號強度(Received Signal Strength Indicator, RSSI)對應的距離，再以接入點(access point, AP)的位置為中心，朝向為AoA參考方向，把極坐標轉為直角坐標。由於每根天線可能有π相位偏移，三根天線之間有四種相位組合，所以每筆資料的Rx有四張熱力圖。本文以卷積神經網路

(Convolutional Neural Network, CNN)、殘差神經網路(Residual Neural Network, ResNet)等神經網絡組成的深度學習網路(Deep Learning based wireless localization, DLoc)，用訓練出的模型對不同位置的預測準確度，來探究AP數量、相位校正等因素對深度學習效能的影響，並與深度卷積網路(Deep Neural Network, DNN)和SpotFi的方法在校正π相位偏移的效能上作對比。