歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
中文詞庫下載的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理
中文詞庫下載的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦李金洪寫的 PyTorch深度學習和圖神經網路（卷2）--開發應用 和施威銘研究室的 tf.keras 技術者們必讀!深度學習攻略手冊都 可以從中找到所需的評價。
另外網站“智能键盘”简体中文词库相似应用下载 - 豌豆荚也說明：智能键盘简体中文词库v1.0 进入"系统设置- 语言和键盘（或区域和文字）"设置界面勾选"智能键盘专业版"复选框，长按任意文本编辑框，在弹出菜单中选择"输入法"，再选择" ...
這兩本書分別來自人民郵電 和旗標所出版 。
南華大學 旅遊管理學系旅遊管理碩士班 丁誌魰所指導 涂晏臻的 奢華露營產業分析及發展趨勢之研究—以網路評論探討露營意象及體驗價值 （2021），提出中文詞庫下載關鍵因素是什麼，來自於奢華露營、露營、文字探勘、露營意象、體驗價值。
而第二篇論文中國文化大學 華語文教學碩士學位學程 廖遠光所指導 施貞吟的 課文本位閱讀理解策略教學對新住民華語文閱讀理解應用可行性之個案研究 （2021），提出因為有 新住民、閱讀理解、閱讀理解策略、華語文教學的重點而找出了 中文詞庫下載的解答。
最後網站新华字典下载电脑版 - 好特游戏則補充：新华字典下载电脑版,新华字典电脑版是一款新华字典离线版，它是安卓手机上教好的中文字典，真人发音。它包含汉语字典、汉语词典、成语词典、成语故事；目前唯一支持简 ...
PyTorch深度學習和圖神經網路（卷2）--開發應用
為了解決中文詞庫下載 的問題，作者李金洪 這樣論述：
本書通過深度學習實例，從可解釋性角度出發，闡述深度學習的原理，並將圖神經網路與深度學習結合，介紹圖神經網路的實現技術。本書分為6章，主要內容包括：圖片分類模型、機器視覺的 應用、自然語言處理的相關應用、神經網路的可解釋性、識別未知分類的方法——零次學習、異構圖神經網路。本書中的實例是在PyTorch框架上完成的，具有較高的實用價值。 本書適合人工智慧從業者、程式師進階學習，也適合作為大專院校相關專業師生的教學和學習用書，以及培訓學校的教材。 李金洪 精通C、Python、Java語言，擅長神經網路、算法、協定分析、移動互聯網安全架構等技術，先後擔任過CAD算法工程師、架構
師、專案經理、部門經理等職位。參與過深度學習領域某移動互聯網後臺的OCR項目，某娛樂節目機器人的語音辨識、聲紋識別專案，金融領域的若干分類專案。 第1章 圖片分類模型 1 1.1 深度神經網路起源 2 1.2 Inception系列模型 2 1.2.1 多分支結構 2 1.2.2 全域均值池化 3 1.2.3 Inception V1模型 3 1.2.4 Inception V2模型 4 1.2.5 Inception V3模型 5 1.2.6 Inception V4模型 6 1.2.7 Inception-ResNet V2模型 6 1.3 ResNet模型 6 1.3
.1 殘差連接的結構 7 1.3.2 殘差連接的原理 8 1.4 DenseNet模型 8 1.4.1 DenseNet模型的網路結構 8 1.4.2 DenseNet模型的特點 9 1.4.3 稠密塊 9 1.5 PNASNet模型 9 1.5.1 組卷積 10 1.5.2 深度可分離卷積 11 1.5.3 空洞卷積 12 1.6 EfficientNet模型 14 1.6.1 MBConv卷積塊 15 1.6.2 DropConnect層 16 1.7 實例：使用預訓練模型識別圖片內容 16 1.7.1 瞭解torchvision庫中的預訓練模型 16 1.7.2 代碼實現：下載並載入預訓
練模型 17 1.7.3 代碼實現：載入標籤並對輸入資料進行預處理 18 1.7.4 代碼實現：使用模型進行預測 19 1.7.5 代碼實現：預測結果視覺化 20 1.8 實例：使用遷移學習識別多種鳥類 21 1.8.1 什麼是遷移學習 21 1.8.2 樣本介紹：鳥類資料集CUB-200 22 1.8.3 代碼實現：用torch.utils.data介面封裝資料集 22 1.8.4 代碼實現：獲取並改造ResNet模型 27 1.8.5 代碼實現：微調模型 一層 28 1.8.6 代碼實現：使用退化學習率對 模型進行全域微調 29 1.8.7 擴展實例：使用亂數據增強方法訓練模型 30 1.
8.8 擴展：分類模型中常用的3種損失函數 31 1.8.9 擴展實例：樣本均衡 31 1.9 從深度卷積模型中提取視覺特徵 33 1.9.1 使用鉤子函數的方式提取視覺特徵 33 1.9.2 使用重組結構的方式提取視覺特徵 34 第2章 機器視覺的 應用 37 2.1 基於圖片內容的處理任務 38 2.1.1 目標檢測任務 38 2.1.2 圖片分割任務 38 2.1.3 非極大值抑制演算法 39 2.1.4 Mask R-CNN模型 39 2.2 實例：使用Mask R-CNN模型進行目標檢測與語義分割 41 2.2.1 代碼實現：瞭解PyTorch中目標檢測的內置模型 41 2.2.2
代碼實現：使用PyTorch中目標檢測的內置模型 42 2.2.3 擴展實例：使用內置的預訓練模型進行語義分割 43 2.3 基於視頻內容的處理任務 47 2.4 實例：用GaitSet模型分析人走路的姿態，並進行身份識別 47 2.4.1 步態識別的做法和思路 47 2.4.2 GaitSet模型 48 2.4.3 多層全流程管線 50 2.4.4 水準金字塔池化 51 2.4.5 三元損失 52 2.4.6 樣本介紹：CASIA-B資料集 53 2.4.7 代碼實現：用torch.utils.data介面封裝資料集 54 2.4.8 代碼實現：用torch.utils.data.samp
ler類創建含多標籤批次數據的採樣器 60 2.4.9 代碼實現：搭建 GaitSet模型 64 2.4.10 代碼實現：自訂三元損失類 67 2.4.11 代碼實現：訓練模型並保存模型權重檔 69 2.4.12 代碼實現：測試模型 72 2.4.13 擴展實例：用深度卷積和 池化 優化模型 77 2.4.14 擴展實例：視頻採樣並提取 輪廓 78 2.4.15 步態識別模型的局限性 79 2.5 調試技巧 79 2.5.1 解決顯存過滿損失值為0問題 80 2.5.2 跟蹤PyTorch顯存並查找顯存洩露點 81 第3章 自然語言處理的相關應用 83 3.1 BERT模型與NLP任務的發展
階段 84 3.1.1 基礎的神經網路階段 84 3.1.2 BERTology階段 84 3.2 NLP中的常見任務 84 3.2.1 基於文章處理的任務 85 3.2.2 基於句子處理的任務 85 3.2.3 基於句子中詞的處理任務 86 3.3 實例：訓練中文詞向量 87 3.3.1 CBOW和Skip-Gram模型 87 3.3.2 代碼實現：樣本預處理並生成字典 88 3.3.3 代碼實現：按照Skip-Gram模型的規則製作資料集 90 3.3.4 代碼實現：搭建模型並進行 訓練 92 3.3.5 夾角余弦 95 3.3.6 代碼實現：詞嵌入視覺化 96 3.3.7 詞向量的應用
97 3.4 常用文本處理工具 98 3.4.1 spaCy庫的介紹和安裝 98 3.4.2 與PyTorch深度結合的文本 處理庫torchtext 99 3.4.3 torchtext庫及其內置資料集與 調用庫的安裝 99 3.4.4 torchtext庫中的內置預訓練詞 向量 100 3.5 實例：用TextCNN模型分析評論者是否滿意 100 3.5.1 瞭解用於文本分類的卷積神經網路模型——TextCNN 101 3.5.2 樣本介紹：瞭解電影評論 資料集IMDB 102 3.5.3 代碼實現：引入基礎庫 102 3.5.4 代碼實現：用torchtext載入 IMDB並拆分為資料集
103 3.5.5 代碼實現：載入預訓練詞向量並進行樣本資料轉化 105 3.5.6 代碼實現：定義帶有Mish啟動 函數的TextCNN模型 107 3.5.7 代碼實現：用資料集參數產生實體 模型 109 3.5.8 代碼實現：用預訓練詞向量 初始化模型 109 3.5.9 代碼實現：用Ranger優化器訓練模型 109 3.5.10 代碼實現：使用模型進行預測 112 3.6 瞭解Transformers庫 113 3.6.1 Transformers庫的定義 113 3.6.2 Transformers庫的安裝方法 114 3.6.3 查看Transformers庫的版本資訊 115
3.6.4 Transformers庫的3層應用 結構 115 3.7 實例： 使用Transformers庫的管道方式完成多種NLP任務 116 3.7.1 在管道方式中 NLP任務 116 3.7.2 代碼實現：完成文本分類任務 117 3.7.3 代碼實現：完成特徵提取任務 119 3.7.4 代碼實現：完成完形填空任務 120 3.7.5 代碼實現：完成閱讀理解任務 121 3.7.6 代碼實現：完成摘要生成任務 123 3.7.7 預訓練模型檔的組成及其載入時的固定檔案名稱 124 3.7.8 代碼實現：完成實體詞識別任務 124 3.7.9 管道方式的工作原理 125 3.7.1
0 在管道方式中載入 模型 127 3.8 Transformers庫中的AutoModel類 128 3.8.1 各種AutoModel類 128 3.8.2 AutoModel類的模型載入機制 129 3.8.3 Transformers庫中 多的預訓練 模型 130 3.9 Transformers庫中的BERTology系列模型 131 3.9.1 Transformers庫的檔結構 131 3.9.2 查找Transformers庫中可以使用的模型 135 3.9.3 實例：用BERT模型實現完形填空任務 136 3.9.4 擴展實例：用 AutoModelWithMHead類 替換
BertForMaskedLM類 138 3.10 Transformers庫中的詞表工具 139 3.10.1 PreTrainedTokenizer類中的 特殊詞 139 3.10.2 PreTrainedTokenizer類的 特殊詞使用 140 3.10.3 向PreTrainedTokenizer類中 添加詞 144 3.10.4 實例：用手動載入GPT-2模型 權重的方式將句子補充完整 145 3.10.5 子詞的拆分 148 3.11 BERTology系列模型 149 3.11.1 Transformer之前的主流模型 149 3.11.2 Transformer模型 151
3.11.3 BERT模型 153 3.11.4 GPT-2模型 157 3.11.5 Transformer-XL模型 157 3.11.6 XLNet模型 158 3.11.7 XLNet模型與AE模型和AR 模型間的關係 161 3.11.8 RoBERTa模型 161 3.11.9 SpanBERT模型 162 3.11.10 ELECTRA模型 162 3.11.11 T5模型 163 3.11.12 ALBERT模型 164 3.11.13 DistillBERT模型與知識蒸餾 166 3.12 實例： 用遷移學習訓練BERT模型來對中文分類 167 3.12.1 樣本介紹 167
3.12.2 代碼實現：構建資料集 168 3.12.3 代碼實現：構建並載入BERT預訓練模型 169 3.12.4 BERT模型類的內部邏輯 170 3.12.5 代碼實現：用退化學習率訓練模型 172 3.12.6 擴展： 多的中文預訓練模型 175 3.13 實例：用R-GCN模型理解文本中的代詞 175 3.13.1 代詞資料集 175 3.13.2 R-GCN模型的原理與實現 176 3.13.3 將GAP資料集轉化成圖結構資料的思路 179 3.13.4 代碼實現：用BERT模型提取代詞特徵 181 3.13.5 代碼實現：用BERT模型提取 其他詞特徵 183 3.13.6
用spaCy工具對句子依存 分析 185 3.13.7 代碼實現：使用spaCy和批次 圖方法構建圖資料集 187 3.13.8 代碼實現：搭建多層R-GCN 模型 192 3.13.9 代碼實現：搭建神經網路 分類層 193 3.13.10 使用 交叉驗證方法訓練 模型 196 第4章 神經網路的可解釋性 197 4.1 瞭解模型解釋庫 198 4.1.1 瞭解Captum工具 198 4.1.2 視覺化可解釋性工具Captum Insights 198 4.2 實例：用可解釋性理解數值分析神經網路模型 199 4.2.1 代碼實現：載入模型 199 4.2.2 代碼實現：用梯度積分演算法
分析模型的敏感屬性 200 4.2.3 代碼實現：用Layer Conductance方法查看單個網路層中的神經元 202 4.2.4 代碼實現：用Neuron Conductance方法查看每個神經元所關注的屬性 204 4.3 實例：用可解釋性理解NLP相關的神經網路模型 205 4.3.1 詞嵌入模型的可解釋性方法 205 4.3.2 代碼實現：載入模型類並將其處理 過程拆開 206 4.3.3 代碼實現：產生實體並載入模型權重，提取模型的詞嵌入層 207 4.3.4 代碼實現：用梯度積分演算法計算模型的可解釋性 208 4.3.5 代碼實現：輸出模型可解釋性的視覺化圖像 210 4.4
實例：用Bertviz工視覺化BERT模型權重 211 4.4.1 什麼是Bertviz工具 212 4.4.2 代碼實現：載入BERT模型並視覺化其權重 212 4.4.3 解讀BERT模型的權重視覺化結果 216 4.5 實例：用可解釋性理解影像處理相關的神經網路模型 219 4.5.1 代碼實現：載入模型並進行圖像分類 219 4.5.2 代碼實現：用4種可解釋性演算法對模型進行可解釋性計算 220 4.5.3 代碼實現：視覺化模型的4種可解釋性演算法結果 221 4.6 實例：用可解釋性理解圖片分類相關的神經網路模型 222 4.6.1 瞭解Grad-CAM方法 223 4.6.2
代碼實現：載入ResNet18模型並註冊鉤子函數提取特徵資料 225 4.6.3 代碼實現：調用模型提取中間層特徵資料和輸出層權重 226 4.6.4 代碼實現：視覺化模型的識別區域 227 第5章 識別未知分類的方法——零次 學習 229 5.1 瞭解零次學習 230 5.1.1 零次學習的思想與原理 230 5.1.2 與零次學習有關的常用資料集 232 5.1.3 零次學習的基本做法 233 5.1.4 直推式學習 233 5.1.5 泛化的零次學習任務 233 5.2 零次學習中的常見問題 233 5.2.1 領域漂移問題 234 5.2.2 原型稀疏性問題 235 5.2.3
語義間隔問題 235 5.3 帶有視覺結構約束的VSC模型 236 5.3.1 分類模型中視覺特徵的本質 236 5.3.2 VSC模型的原理 237 5.3.3 基於視覺中心點學習的約束方法 238 5.3.4 基於倒角距離的視覺結構約束方法 239 5.3.5 什麼是對稱的倒角距離 239 5.3.6 基於二分匹配的視覺結構約束方法 239 5.3.7 什麼是指派問題與耦合矩陣 240 5.3.8 基於W距離的視覺結構約束方法 240 5.3.9 什麼是 傳輸 241 5.3.10 什麼是 傳輸中的熵 正則化 242 5.4 詳解Sinkhorn 演算法 244 5.4.1 Sinkhor
n演算法的求解轉換 244 5.4.2 Sinkhorn演算法的原理 245 5.4.3 Sinkhorn演算法中參數ε的 原理 246 5.4.4 舉例Sinkhorn演算法過程 246 5.4.5 Sinkhorn演算法中的品質守恆 248 5.4.6 Sinkhorn演算法的代碼實現 250 5.5 實例：使用VSC模型來識別未知類別的鳥類圖片 252 5.5.1 樣本介紹：用於ZSL任務的鳥類資料集 252 5.5.2 代碼實現：用遷移學習的方式獲得 訓練資料集分類模型 253 5.5.3 使用分類模型提取圖片視覺 特徵 254 5.5.4 代碼實現：用多層圖卷積神經 網路實現VSC模
型 255 5.5.5 代碼實現：基於W距離的損失 函數 256 5.5.6 載入資料並進行訓練 257 5.5.7 代碼實現：根據特徵距離對圖片 進行分類 258 5.6 針對零次學習的性能分析 259 5.6.1 分析視覺特徵的品質 259 5.6.2 分析直推式學習的效果 260 5.6.3 分析直推模型的能力 261 5.6.4 分析未知類別的聚類效果 262 5.6.5 清洗測試集 263 5.6.6 利用視覺化方法進行輔助分析 264 第6章 異構圖神經網路 267 6.1 異構圖的基礎知識 268 6.1.1 同構圖與異構圖 268 6.1.2 什麼是異構圖神經網路 268 6
.1.3 二分圖 268 6.1.4 局部圖卷積 270 6.2 二分圖的實現方式 270 6.2.1 用NetworkX實現二分圖 270 6.2.2 使用DGL構建二分圖 272 6.2.3 二分圖物件的調試技巧 275 6.3 異構圖的實現方式 276 6.3.1 創建異構圖 276 6.3.2 設置異構圖的節點個數 277 6.3.3 異構圖結構的查看方式 278 6.3.4 異構圖與同構圖的相互轉化 280 6.3.5 異構圖與同構圖的屬性操作方式 281 6.4 隨機行走採樣 282 6.4.1 什麼是隨機行走 283 6.4.2 普通隨機行走 283 6.4.3 帶停止概率的隨機
行走 284 6.4.4 帶路徑概率的隨機行走 284 6.4.5 基於原圖的隨機行走 285 6.4.6 在基於異構圖的隨機行走中設置停止概率 286 6.4.7 基於隨機行走採樣的資料處理 287 6.4.8 以隨機行走的方式對鄰居節點採樣 287 6.5 DGL庫中的塊圖結構 289 6.5.1 設計塊圖的動機 289 6.5.2 將同構圖轉化成塊圖 290 6.5.3 塊圖的屬性操作 290 6.5.4 將二分圖轉化成塊圖 291 6.6 實例：使用PinSAGE模型搭建 系統 292 6.6.1 準備MoiveLens資料集 292 6.6.2 代碼實現：用Panadas庫載入數據
293 6.6.3 Categories與category 類型 294 6.6.4 代碼實現：生成異構圖 295 6.6.5 代碼實現：用邊分組方法拆分並保存資料集 296 6.6.6 PinSAGE模型 299 6.6.7 代碼實現：構建帶有鄰居節點採樣功能的資料載入器 300 6.6.8 代碼實現：PinSAGE模型的採樣 過程 305 6.6.9 代碼實現：搭建PinSAGE模型 309 6.6.10 代碼實現：產生實體PinSAGE模型類並進行訓練 315 6.6.11 代碼實現：用PinSAGE模型為 使用者 電影 315 6.6.12 擴展：在PinSAGE模型中融合 多的特徵資
料 317 6.7 總結 317
奢華露營產業分析及發展趨勢之研究—以網路評論探討露營意象及體驗價值
為了解決中文詞庫下載 的問題，作者涂晏臻 這樣論述：
本研究旨在透過網路文字探勘分析網路社群文章，來了解過去的一年多因為疫情的影響，許多人潮聚集的大型聚會或室內進行的休閒活動，都因防疫考量的因素下都必須要減少此類的活對，相較之下避開人潮的戶外活動，反而是最好的選擇，如登山踏踏青、休閒農場露營，反而受到不少遊客的青睞，紛紛增加往這方面的規劃。奢華露營是讓人們徜徉戶外、親近自然的新趨勢，更帶動奢華露營產業發展的新方向。 先運用了中文斷詞系統進行整理，將關鍵詞進行詞頻與共詞的分析，並將分析的內容再加以分析，配合多元尺度做量化統計，以更客觀的量化數據來探討奢華露營的露營意象、體驗價值的關聯性。 研究結果發現：(1)目前國內奢華露營的景點以苗栗、
新竹、宜蘭為人氣景點，奢華露營所帶動台灣多縣市的業者推動，台北、南投、嘉義、台中次之，可見奢華露營型態已蓬勃發展。(2)觀光設施意象裡的交通便利性，以北部來說新竹、苗栗、宜蘭的奢華露營景點較吸引人前往體驗，主要考量所居住的地方與到達景點的便利性。(3)景點導覽以奢華露營的場地業者所安排規劃，包含食、住、育、樂的活動安排，讓露營的人在此享受美好的度假時光，成為頗具特色的露營方式。(4)在體驗奢華露營的氛圍時，舒適度與聲譽也是一般人選擇的重要條件，透過網路口碑相傳，會讓人想要去嘗試體驗，主要的體驗感受也會讓人列入是否前往的重要因素，故名聲遠播具特色的奢華露營區通常一位難求。(5)讓露營的遊客在奢華
露營活動中，產生很多的體驗，從體驗中可以知道他們的感受為何，對奢華露營所給予的評價，帶動日後的奢華露營產業發展。(6)從重要關鍵詞的探討，我們可以得知露營跟戶外、體驗自然有關，大部分會去露營的人都是以家庭親子為單位前往或是好友相約，近幾年流行的趨勢為有特色的奢華露營，也是透過網路上的推薦讓人得知而前往，兩種露營各有特色，也吸引某特定族群前往體驗。 根據上述研究結果，建議奢華露營業者可結合在地的產業特色，發展當地的觀光，進而帶動周邊的城鎮發展，吸引更多想露營的旅客前往。在發展奢華露營產業的同時，也不忘要做好營地的規劃和環境的愛護，才能讓土地達到永續的利用與發展它的價值，政府也應修法讓露營區有所
規範，民眾在享受露營的同時也能保障自身的權益，讓奢華露營產業能朝永續經營發展，帶來更多的經濟效益與生態平衡。
tf.keras 技術者們必讀!深度學習攻略手冊
為了解決中文詞庫下載 的問題，作者施威銘研究室 這樣論述：
剛接觸 Deep learning 深度學習, 大家都說 Keras 實作最簡單、最多人用, 各種參考資源也很豐富, 但實際學習 Keras 卻一直卡關... ．官方網站資源豐富, 但不知從何查起？一大堆參數說明夾雜各種專有名詞, 有看沒有懂？ ．跟著書上或網路上的範例實作都做得出來, 不過卻不知道為什麼要這麼做？ ．用經典 MNIST 資料集辨識手寫數字, 準確率都 97 趴以上, 換成自己寫的數字就掉到 5、60 趴？ ．神經網路的程式常出現 NumPy 的陣列運算, 還有什麼矩陣點積、轉置、陣列擴張, 搞不懂是怎麼算出來的？ ．損失函數、優化器、評量準則(
metrics)的種類那麼多, 在實作各種神經網路時, 到底該如何選擇和搭配呢？ ．文字資料的處理都只用英文資料集來訓練, 中文資料又該怎麼訓練咧？ ．聽說 Colab 雲端開發環境很好用, 但資料檔、圖檔、模組等要如何上傳呢?可以連結到我的雲端硬碟嗎？ ．… Deep learning 深度學習涉及的知識面向廣泛, 要有數學基礎、統計概念, 還要有資料處理的基本觀念, 最重要是要具備一定程度的 Python 功力, 才有能力跟著實作。如果不是在這個領域打滾好幾年的老手, 大概很難面面俱到。加上神經網路的內部結構是超乎想像的複雜, 玄之又玄的輸出結果, 讓許多人把深度學習當
作參不透的黑盒子或煉金術, 反正跟著高手、神人套用現成的模型架構來訓練就對了。 事實上, AI 不僅是工程設計, 更是實證科學, 必須多方嚴謹的測試與印證, 才能打好基礎！千萬不要下載一個模型、跑跑測試集就認為學會 AI 了…。而本書的使命, 就是要為您揭開深度學習的黑盒子, 用追根究底的實驗精神, 帶您扎實學會 Keras 並建立各種實用的神經網路模型, 別人說不清楚的事, 就由我們來幫您逐一解惑, 並帶您順利地學會、學通 Keras 及深度學習！ 本書特色 台灣人工智慧學校 --------------------------------- 技術發展處處長
張嘉哲 審閱 專案處處長 蔡源鴻 審閱 ○ 解開黑盒子 – 高效學習 DNN、CNN、RNN 等神經網路模型 ○ 發揮追根究柢的實驗精神, 測試各種神經網路模型「配方」 ○ 隨時幫你複習進階的 Python 程式語法及函式用法, 學習不卡關！ ○ 完整介紹文字、圖片、時序資料的預處理技巧 ○ 函數式 API (functional API) 的建模手法與實例印證 ○ 中文詞向量、遷移式學習、Callback、Tensorboard ○ LeNet、AlexNet、VGG、GoogLeNet、ResNet、DenseNet.. 等 CNN 經典模型的進化秘方
○ 在雲端高速訓練模型 - 善用 Google 免費的 Colab 雲端開發環境 Keras 是目前深度學習領域中, 最容易使用且功能強大的神經網路開發工具, Tensorflow 已將之收錄到自己的套件中, 並命名為 tf.keras。本書同時適用於最新的 tf.keras 及 Keras。
課文本位閱讀理解策略教學對新住民華語文閱讀理解應用可行性之個案研究
為了解決中文詞庫下載 的問題，作者施貞吟 這樣論述：
本研究旨在探討「課文本位閱讀理解策略」教學對國小補校新住民華語文閱讀理解應用之可行性和影響。藉由課文大意之刪除、歸納主題句與文章結構寫大意策略的實際教學了解新住民學生之學習表現和學習影響，及其對教學的回饋與建議。本研究採用個案研究法，以研究者所任教國小補校高二班八位新住民學生為研究對象，透過研究者的教師訪談、課室觀察、學生問卷、及學生學習文件資料進行質性詮釋與分析，獲得以下研究結果：1.新住民學生能透過刪除、歸納主題句和文章結構寫大意策略教學寫出段落大意或課文大意；2.新住民學生對於學習「課文本位閱讀理解策略」對其閱讀理解的幫助是肯定的；3.新住民學生對於學習「課文本位閱讀理解策略」仍有感到
困難的地方，如該不該刪除的困擾、將重點也刪除、歸納時無法找出上層概念、無法判斷句子是否可作為主題句、以及很難以一個句子表達出課文的主旨大意等；4.新住民學生的心得：閱讀理解摘要策略的學習確實對閱讀理解有幫助，進而可以享受閱讀的樂趣並增進知識；5.新住民學生建議可以繼續安排這樣的課程，但希望能增加課程的教學時間並且多舉一些例子和練習讓他們更熟悉做法的運用。最後，研究者依據以上結論做自我教學省思與建議，以作為未來的研究者將來進行「課文本位閱讀理解策略」的教學與研究之參考。