股票這個價位要不要買論文書籍站
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。 我們找到下列股價、配息、目標價等股票新聞資訊
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，推薦莊建寫的 深度學習圖像識別技術 可以從中找到所需的評價。
另外網站一文說清楚Tensorflow分布式訓練必備知識 - 壹讀也說明：深度學習 就是挖掘數據中隱藏知識的利器，在許多領域都取得了非常成功的應用。然而，大量的數據使得模型的訓練變 ... 異步模式深度學習模型訓練流程圖.
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），提出深度學習訓練流程關鍵因素是什麼，來自於深度學習、類神經網路、預測、光伏、智慧化控制。
而第二篇論文臺北醫學大學 醫學院人工智慧醫療碩士在職專班 陳榮邦、黎阮國慶所指導 林汝松的 基於深度學習類神經網路對乳房攝影評估適切擺位之研究 （2021），提出因為有 乳癌篩檢、乳房X光攝影、人工智慧、深度學習、卷積神經網路、擺位適切性評估的重點而找出了 深度學習訓練流程的解答。
最後網站CN105551036A - 一种深度学习网络的训练方法和装置則補充：[0021] 图1是本发明实施例一提供的深度学习网络的训练方法的实现流程图；. [0022] 图2是本发明实施例一提供的将输入图像分割为大小相同、图像信息不同的mXn 个patch的 ...
深度學習圖像識別技術
為了解決深度學習訓練流程 的問題，作者莊建 這樣論述：
首先講述了人工智慧、深度學習、卷積神經網路、目標檢測以及遷移學習的概念，接著詳述了如何基於Tensor Flow Object Detection API框架從零開始搭建深度學習目標檢測應用的開發環境，如何訓練自己的目標檢測模型，然後詳述了如何基於Open VINO工具套件優化模型、部署模型以及用C++和Python開發使用者應用程式。然後通過工業光學字元自動識別、垃圾瓶自動分選、農作物病害自動識別和工業產品外觀缺陷檢測4個完整的深度學習目標檢測工程案例來説明讀者加深深度學習圖形檢測的認識和理解。 《深度學習圖像識別技術：基於Tensor Flow Object Detection API和
Open VINO工具套件》適合從事AI行業相關技術的工程師閱讀，也適合打算進入AI行業的大中專院校的學生學習參考。 1. 莊建 莊建，中國科學院高能物理研究所研究員，核探測與核電子國家重點實驗室成員。參與了北京自由電子鐳射、北京正負電子對撞機、中國散裂中子源等多項大科學裝置的建設。現在主要從事大科學裝置的實驗控制及資料獲取方面的研究。 2. 張晶 張晶，浙江大學碩士，廣東榮旭智慧技術有限公司研發總監，聯合創始人；具有13年機器視覺系統開發經驗，負責深度學習外觀檢測演算法的研發；LabVIEW註冊構架師、Python程式師、英特爾物聯網創新大使、TensorFlo
w User Group東莞站組織者。 3. 許鈺雯 許鈺雯，女，現為中國科學院大學高能物理研究所電子與通信工程專業碩士研究生，主攻方向為軟體工程及深度學習應用 序 前言 第1章 人工智慧、深度學習與目標檢測 1.1 人工智慧簡介 1.1.1 什麼是人工智慧 1.1.2 人工智慧發展簡史 1.1.3 人工智慧與深度學習的關係 1.2 深度學習簡介 1.2.1 神經網路 1.2.2 神經元 1.2.3 深度神經網路 1.2.4 深度卷積神經網路 1.3 目標檢測 1.3.1 目標檢測演算法發展簡史 1.3.2 深度學習目標檢測演算法 1.4 遷移學習簡介 1.4.1
訓練深度學習模型依賴大資料 1.4.2 大資料造成的問題 1.4.3 遷移學習 1.4.4 TensorFlow預訓練模型庫 1.5 本章小結 第2章 搭建深度學習開發環境 2.1 深度學習訓練所需的硬體 2.1.1 英偉達顯卡選型 2.1.2 英偉達顯卡驅動安裝 2.1.3 測試驅動程式安裝 2.1.4 設置英特爾?集成顯卡為系統主顯示輸出 2.1.5 幻影峽谷：可擕式AI訓練“伺服器” 2.2 深度學習開發環境所需的軟體 2.3 安裝Python和Anaconda 2.3.1 Python和Anaconda簡介 2.3.2 下載並安裝Anaconda 2.3.3 測試Anaconda安
裝 2.3.4 配置Anaconda套裝軟體下載伺服器 2.3.5 配置虛擬環境tf_gpu 2.3.6 Anaconda的進階學習 2.4 安裝Visual Studio Code 2.4.1 Visual Studio Code簡介 2.4.2 安裝 2.4.3 在Visual Studio Code中編輯Python代碼 2.4.4 在Visual Studio Code中運行Python代碼 2.4.5 在Visual Studio Code中調試Python代碼 2.4.6 在Visual Studio Code安裝Pylint 2.4.7 在Visual Studio Code中一
鍵美化Python代碼 2.5 安裝TensorFlow 2.5.1 TensorFlow簡介 2.5.2 下載並安裝 2.5.3 測試安裝 2.5.4 pip install 與 conda install 2.6 安裝Git工具 2.6.1 Git簡介 2.6.2 下載並安裝 2.6.3 測試安裝 2.7 安裝TensorFlow Object Detection API框架 2.7.1 TensorFlow Object Detection API簡介 2.7.2 下載並安裝 2.7.3 安裝依賴的python套裝軟體 2.7.4 配置環境變數 2.7.5 安裝COCO API 2.7.
6 編譯proto檔 2.7.7 測試安裝 2.8 安裝LabelImg 2.8.1 LabelImg簡介 2.8.2 下載並安裝 2.8.3 測試安裝 2.9 本章小結 第3章 訓練模型 3.1 TensorFlow Object Detection API軟體框架簡介 3.2 使用TensorFlow預訓練模型 3.2.1 如何選擇預訓練模型 3.2.2 預訓練模型的檔構成 3.2.3 一個典型的深度學習訓練流程 3.3 準備圖片：下載貓狗資料集 3.3.1 Kaggle資料集下載流程 3.3.2 訓練圖片的數量問題 3.3.3 訓練圖片的樣本不平衡問題 3.4 使用LabelImg標注
圖片 3.4.1 LabelImg簡介 3.4.2 建立貓狗專案檔案夾結構 3.4.3 標注圖片 3.4.4 標注文件（*.xml）簡介 3.4.5 複製10%的資料到eval資料夾 3.4.6 複製資料到test資料夾 3.5 依據標注類型創建標籤映射文件 3.6 創建TensorFlow TFRecord文件 3.6.1 將*.xml檔轉換為*.csv文件 3.6.2 將*.csv檔轉換為*.tfrecord文件 3.7 修改預訓練模型的設定檔 3.7.1 預訓練模型的設定檔 3.7.2 設定檔的結構 3.7.3 修改ssd_inception_v2_coco.config設定檔 3.8
訓練模型 3.9 使用TensorBoard觀察訓練過程 3.9.1 什麼是TensorBoard 3.9.2 TensorBoard的使用方法 3.10 評估訓練好的模型 3.11 匯出訓練好模型的凍結圖 3.11.1 檢查點檔 3.11.2 凍結TensorFlow模型 3.12 用訓練好的凍結圖模型做目標檢測 3.13 用Python程式一鍵訓練模型 3.13.1 為新專案一鍵創建資料夾結構 3.13.2 一鍵訓練模型 3.14 本章小結 第4章 優化並部署模型 4.1 OpenVINO工具套件簡介 4.2 OpenVINO典型開發流程 4.3 安裝OpenVINO工具套件 4.3.1
版本選擇 4.3.2 系統要求 4.3.3 下載並安裝OpenVINO工具套件 4.4 安裝Cmake 4.5 安裝Microsoft Visual Studio 2017 4.6 安裝硬體驅動 4.6.1 英特爾顯卡驅動 4.6.2 英特爾神經計算棒二代驅動 4.6.3 英特爾視覺計算加速卡驅動 4.7 設置環境變數 4.8 運行演示程式 4.8.1 demo_benchmark_app.bat 4.8.2 demo_security_barrier_camera.bat 4.8.3 demo_squeezenet_download_convert_run.bat 4.9 編譯並運行Inf
erence Engine範例和演示程式 4.9.1 編譯samples資料夾中的範例 4.9.2 編譯demos資料夾中的範例 4.9.3 從Open Model Zoo中下載預訓練模型 4.9.4 下載英特爾?範例視頻 4.9.5 運行預訓練模型 4.10 使用Model Optimizer優化模型 4.10.1 轉換TensorFlow* Object Detection API模型 4.10.2 用OpenVINO工具套件範例程式測試IR模型 4.10.3 用OpenVINO工具套件演示程式測試IR模型 4.11 編寫OpenVINO應用程式 4.11.1 Inference Engi
ne簡介 4.11.2 Inference Engine Plugin構架 4.11.3 Inference Engine應用程式典型開發流程 4.11.4 查看模型的輸入和輸出張量 4.12 OpenVINO AI推理計算C++範例 4.12.1 設置環境變數和Visual Studio專案屬性 4.12.2 開發AI推理計算C++應用程式 4.12.3 切換AI推理計算硬體 4.13 OpenVINO AI推理計算Python範例 4.13.1 設置環境變數PYTHONPATH 4.13.2 開發AI推理計算Python應用程式（OpenCV版） 4.13.3 開發AI推理計算Python
應用程式（OpenVINOTM版） 4.13.4 AI推理計算用Python還是C++？ 4.14 本章小結 第5章 進一步提升AI推理計算性能 5.1 性能評價指標 5.2 同步和非同步模式 5.2.1 同步模式範例 5.2.2 非同步模式範例 5.3 多設備和異構外掛程式 5.3.1 異構外掛程式 5.3.2 多設備外掛程式 5.4 本章小結 第6章 工業領域光學字元辨識範例 6.1 專案背景 6.2 新建OCR專案工程資料夾 6.3 收集並標注圖片 6.4 訓練模型 6.5 匯出TensorFlow凍結圖模型 6.6 測試模型 6.7 基於OpenVINO工具套件優化並加速模型 6.
8 基於OpenVINO工具套件部署模型 6.9 本章小結 第7章 垃圾瓶自動分選專案範例 7.1 專案背景 7.2 新建垃圾瓶分類專案工程資料夾 7.3 收集並標注圖片 7.4 訓練模型 7.5 匯出TensorFlow凍結圖模型 7.6 測試模型 7.7 基於OpenVINO工具套件優化並加速模型 7.8 基於OpenVINO工具套件部署模型 7.9 本章小結 第8章 農作物病蟲害自動識別專案範例 8.1 專案背景 8.2 新建農作物病蟲害自動識別專案工程資料夾 8.3 收集並標注圖片 8.4 訓練模型 8.5 匯出TensorFlow凍結圖模型 8.6 測試模型 8.7 基於Open
VINO工具套件優化並加速模型 8.8 基於OpenVINO工具套件部署模型 8.9 本章小結 第9章 深度學習外觀缺陷檢測專案範例 9.1 專案背景 9.2 新建外觀缺陷檢測專案工程資料夾 9.3 收集並標注圖片 9.4 訓練模型 9.5 匯出TensorFlow凍結圖模型 9.6 測試模型 9.7 基於OpenVINO工具套件優化並加速模型 9.8 基於OpenVINO工具套件部署模型 9.9 本章小結 參考文獻
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。
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。
基於深度學習類神經網路對乳房攝影評估適切擺位之研究
為了解決深度學習訓練流程 的問題，作者林汝松 這樣論述：
WHO 2020年全球癌症報告，女性乳癌約占新發癌症病例的11.7%，死亡人數近68.5萬，台灣則每10萬人口78.9人的發生率（0.0789%），是目前成長率最快的癌症。乳房X光攝影是被醫學證實可以有效早期發現乳癌的檢查方法。然而惟有適切的乳房X光攝影擺位才能使乳房組織充分呈現於影像中而不致乳癌被遺漏診斷。根據研究，乳房X光攝影檢查的敏感度可能從擺位通過評估情況下的84.4%下降到擺位失敗的形況下的66.3%；長期以來多數研究與統計也都證實乳房擺位是影響乳房X光攝影檢查成效的關鍵因素。 近年來人工智慧深度學習有了突破性進展，為了減少不正確的乳房攝影擺位可能會導致錯失乳癌的診斷
，本研究應用深度學習方法以卷積神經網路模型辨識臨床影像對於MLO與CC視像獨立評估乳房X光攝影擺位的適切性，以減少乳房X光攝影乳癌篩檢的受檢者因攝影擺位的適不切而被召回重照所造成的困擾，及增加放射科醫師對乳房臨床影像診斷乳癌的確定性，進而提升乳房X光攝影乳癌篩檢的成效。 本研究以回溯方式收集台北市立萬芳醫院2017年1月至2020年12月的乳房X光攝影包含有完成RCC、LCC、RMLO、LMLO等4 Views(視像)擺位的乳房X光攝影300例，共1200張影像，由乳房影像放射科醫師及專業放射師依照ACR 1999 Mammography Quality Control Manual的臨
床影像評估項目中的乳房X光攝影MLO View 和CC View擺位的標準，對臨床影像進行擺位適切與不適切之分類；分類完成的影像應用遷移學習技術以卷積神經網路 (CNN) 深度學習方法訓練模型，模擬視覺化辨識不同視像乳房影像中乳房組織呈現的充分性的方法，來評估乳房攝影擺位的適切性，經訓練CNN模型後驗證結果，AUC、F1、Precision都高於90%，證實可達成以人工智慧自動評估乳房X光攝影擺位適切與否的目的。