深度學習應用的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

Keras大神歸位：深度學習全面進化！用 Python 實作CNN、RNN、GRU、LSTM、GAN、VAE、Transformer

為了解決深度學習應用的問題，作者FrançoisChollet 這樣論述：

　　正宗Keras大神著作再次降臨！   　　近10年來，深度學習為人工智慧領域帶來了出色的進展，也解鎖了許多有趣的新功能，如：機器翻譯、影像識別、物體定位等不一而足。毫不誇張地說，深度學習已迅速成為每位軟體開發者必備的武器。此外，諸如Keras和TensorFlow等先進的工具，也消除了普通人與深度學習之間的隔閡。即使你只有高中程度的數學知識，且甚至沒有資料科學的相關背景，也依舊可以透過這些工具來建構有趣的深度學習應用。   　　本書由 Keras 創始者親自撰寫，沒人比他更了解Keras這套工具，雖然如此，但這並不是一本 Keras 的使用手冊，而是帶你從頭開始探索深

度學習，進而拓展對深度學習理解的經典之作。你也將從中明瞭解決機器學習問題的標準作業流程，以及未來實務上如何克服可能遇到的問題。   　　本書前一版在全世界都獲得非常高的評價，並被翻譯成12種語言，到現在仍是技術社群推薦必讀的深度學習入門書。不過深度學習技術在這短短幾年有巨大的進展，因此第二版作者新增了許多常見任務的實作專案，例如：影像分割、時間序列預測、機器翻譯等。另外，作者還加入了當前熱門技術的介紹，如attention機制、Transformer架構、KerasTuner等，並搭配實作案例來加深讀者的理解。   　　由於第二版的內容修改幅度極大，因此中文版重新編譯，由業內專

家進行翻譯、審閱，在專有名詞的說法和敘述，都更加符合國內業界的習慣用語。無論你是從業中的機器學習工程師、軟體開發人員，還是資訊科系學生，本書的內容都會對你有所幫助。   本書特色   　　☆全面採用最新的Tensorflow × Keras版本 　　☆Keras創始者親筆之作，以自身經驗分享深度學習的門道 　　☆從做中學，各章皆搭配豐富專案實作，不會只是紙上談兵 　　☆延續第一版的紮實基礎內容，新增了當前最熱門的技術，讓讀者可以更上一層樓 　　■卷積神經網路 　　■殘差連接 　　■變分自編碼器(VAE) 　　■self-attention機制 　　

■Transformer架構 　　■KerasTuner超參數調校 　　■模型集成 　　■混合精度訓練 等等 　　☆本書由施威銘研究室監修，書中針對原書進行大量補充，並適當添加註解，幫助讀者更好地理解內容   重磅推薦   　　「掌握本質， 了解其所能與不能， 是面對技術快速迭代、世局難以預測的鑰匙。本書就是開啟深度學習的一把鑰匙。」——鴻海研究院執行長 李維斌 　 　　「對於想熟悉 Keras和Tensorflow的技術人來說， 是一本極佳的入門學習書， 而對於不熟悉技術只想一窺門道的人來說， 結構井然的邏輯和極為通暢易讀的寫作方式， 大大降低了非技術出

身如我輩的學習門檻。」——台灣人工智慧科技基金會執行長 溫怡玲   　　「Keras大神親自出手將最新的發展及其具體應用範例帶到我們面前， 在AI產業界來說， 這是極其重要的大事， 不可等閒視之， 而且是由在 AI領域著墨很深、實踐經驗豐富的黃逸華數據長主持翻譯與審閱工作， 更讓我們充滿期待。」——台灣人工智慧協會副理事長 黃國寶   　　「大神再次出手， 這是AI產業化的高光時刻， 很榮幸可以參與這場盛事， 也謝謝您的關注。」——華實智造科技有限公司數據長 黃逸華  

深度學習應用進入發燒排行的影片

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

為了解決深度學習應用的問題，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。

開發者傳授PyTorch秘笈

為了解決深度學習應用的問題，作者陳昭明 這樣論述：

～ 2022 開發者唯一指定 PyTorch 祕笈！～ 深度學習【必備數學與統計原理】✕【圖表說明】✕【PyTorch 實際應用】 　　★ 作者品質保證 ★ 　　經過眾多專家與學者試閱昭明老師著作皆給【5 顆星】滿分評價！ 　　～ 從基礎理解到 PyTorch 獨立開發，一氣呵成 ～ 　　本書專為 AI 開發者奠定扎實基礎，從數學統計 ► 自動微分 ► 梯度下降 ► 神經層，由淺入深介紹深度學習的原理，並透過大量 PyTorch 框架應用實作各種演算法： 　　● CNN (卷積神經網路) 　　● YOLO (物件偵測) 　　● GAN (生成對抗網路) 　　● DeepFake (深

度偽造) 　　● OCR (光學文字辨識) 　　● ANPR (車牌辨識) 　　● ASR (自動語音辨識) 　　● BERT / Transformer 　　● 臉部辨識 　　● Knowledge Graph (知識圖譜) 　　● NLP (自然語言處理) 　　● ChatBot 　　● RL (強化學習) 　　● XAI (可解釋的 AI) 本書特色 　　入門深度學習、實作各種演算法最佳教材！ 　　★以【統計／數學】為出發點，介紹深度學習必備的數理基礎 　　★以【程式設計取代定理證明】，讓離開校園已久的在職者不會看到一堆數學符號就心生恐懼，縮短學習歷程，增進學習樂趣 　　★摒棄長篇大

論，輔以【大量圖表說明】介紹各種演算法 　　★【完整的範例程式】及【各種演算法的延伸應用】！直接可在實際場域應用。 　　★介紹日益普及的【演算法與相關套件】的使用 　　★介紹 PyTorch 最新版本功能 　　★與另一本姊妹作《深度學習–最佳入門邁向 AI 專題實戰》搭配，可同時學會 PyTorch 與 TensorFlow  

基於深度學習框架之衛星圖像人造物切割

為了解決深度學習應用的問題，作者陳忠揚 這樣論述：

遙測(remote sensing)是近年來影像處理熱門領域之一，該技術被廣泛應用於水土監測、環境監測、以及軍事類活動監控等多項應用，囿於衛星資料取得成本相對較高，致使提供學術研究的公開資料與相關研究之應用起步較晚，眾多研究中可以發現，針對衛星影像的語意切割(semantic segmentation)整體表現上仍然不佳，本研究將衛星影像分為同質性與異質性兩種資料，前者的訓練與測試資料，皆來自相同衛星及成像條件的影像，後者則是訓練和測試資料集隸屬於不同區域及季節之影像，分別探討如何透過影像增強與深度學習框架的方式，提升衛星影像的物件切割表現，以及透過「無監督域適應(unsupervised

domain adaptation, UDA)」的技術，使模型面對更加複雜的衛星圖資，於跨域任務的影像分割仍保有一定的適應力。同質性衛星影像的應用，本研究透過訓練資料的前處理，使用深度學習中遷移學習之概念，載入預訓練模型，搭配模型再訓練、Mixed Pooling Module (MPM)模組應用以及相關參數調校後，找到最佳搭配組合，提升衛星影像之切割效能；前處理包括影像增強、高頻強化、邊緣銳化等方式，目標鎖定人造物體的建築與道路，提升整體影像切割校能的mIoU指標。最終，透過資料前處理、特徵強化模組、骨幹網路選擇之搭配，獲得83.5%的mIoU效能表現，與原始效能相比大約精進3%。異質性衛星

影像的應用，本研究依序驗證Source Only、現有UDA技術以及域轉換與強化網路(Domain Transfer and Enhancement Network, DTEN)架構，透過調整其中的關鍵參數設定，試圖讓模型更有效執行跨域影像分割任務，最終超越UDA最佳效能mIoU指標3.6%，達到45.3%之表現。