外置ssd推薦的問題，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

Intel大師帶你架設AI底層：持久記憶體架構服務實作

為了解決外置ssd推薦的問題，作者李志明,吳國安,李翔 這樣論述：

有記憶體的極速，有M.2 SSD的非揮發性， 持久性記憶體打破現有架構，是量子電腦真正出現之前的最偉大發明！ Intel作者群帶你進入持久化記憶體的世界   　　分層記憶體架構是現代電腦的基石，從CPU之內的L1、L2、L3快取以降，一直到DDR4/5的主記憶體，速度從快到慢，但真正阻礙電腦速度的最大瓶頸，就是下一層的非揮發性儲存了。雖然PCIE Gen4的M.2 SSD已達到7000MB/s的驚人讀取速度，但和處理器內的記憶體來說還是有1000倍以上的差距。為了彌補這個鴻溝，Intel推出了全新的記憶體架構，再揮發性記憶體子系統和發揮發性儲存系統之間，新增了一個新的層次，既能滿足高速的記

憶體資料傳輸，又能保有可儲存性的優點，這個稱之為3D-XPoint的技術，再度造成了整個電腦系統的世代革命。當電腦的主架構發生了天翻地覆的改變時，應用程式、伺服器、資料庫、大數據、人工智慧當然也出現了必需性的變化。在設計巨量資料的服務系統時，傳統針對記憶體斤斤計較的場景不再出現，取代的是大量運用新的持久性記憶體架構來降低系統I/O的頻寬。這對新一代的雲端運算資料中心的影響更是巨大。包括了虛擬機、容器、進而對於應用程式如軟體開發、資料庫、NoSQL、SAP/Hana，Hadoop/Spark也產生了巨大的影響。   　　本書是國內第一本中文說明這種新型應用的書籍，閱讀本書之後，對大型系統的運維已

不再是TB級而達到PB的記憶體等級了，想想一個巨型的系統服務不需要水平擴充(Scale-out)r而是可以垂直擴充(Scale-up)，這完全打破了我們從前的概念，本書將是你在進入量子電腦世代來臨前最迫切需要獲得的知識。   本書特色   　　1.在英特爾公司任職的多位專家們齊聚一堂，共同創作了這本持久化記憶體的實戰書籍。 　　2.仔細講解、深入淺出，搭配圖表輔助說明，好看好讀好吸收。 　　3.台灣第一本詳細解說持久記憶體的電腦書，讓你迅速精進，保持業界頂峰的地位。   名人推薦   　　「借助英特爾傲騰持久記憶體，我們在記憶體--儲存子系統中創建了一個新層次，這使整個產業都會受益。持久記憶體

基於革命性的英特爾3D-XPoint 技術，將傳統記憶體的速度與容量和持久性結合在一起。」──阿爾珀·伊爾克巴哈（Alper Ilkbahar），英特爾公司資料平台事業部副總裁、記憶體和儲存產品事業部總經理

外置ssd推薦進入發燒排行的影片

基於YOLOv4時尚服裝偵測之研究

為了解決外置ssd推薦的問題，作者林承緯 這樣論述：

物件偵測技術是當前電腦視覺領域中的重要技術之一，該技術的目的為在一張輸入影像中能夠偵測出全部的目標物件，並使用矩形的方框為各目標進行位置的標記以及給定一個該目標種類的分類信心度。在時尚服裝領域中，物件偵測技術具有許多相關的應用，例如時尚服裝辨識、時尚服裝偵測、時尚風格推薦、服裝相似度比對和服裝快速搜尋。近年來隨著時尚服裝產業和線上購物的商業價值逐漸擴大，透過系統自動化的進行時尚服裝偵測和分類，業者可以因此節省時間與人力的成本，更快速的進行商品的管理。但是因為時尚服裝影像會因為服裝種類和衣物材料的特徵而產生與實際情況有所差異的問題，導致時尚服裝的偵測任務具有一定的難度。因此在當前的研究中，如何

快速且準確的進行偵測成為了物件偵測技術應用於時尚服裝領域中最重要的目標。為了面對該挑戰，我們提出了一種基於YOLOv4物件偵測演算法的兩階段時尚服裝偵測模型命名為YOLOv4-TPD（YOLOv4 Two-Phase Detection）。YOLOv4-TPD模型目的是針對具有複雜背景的時尚服裝影像進行偵測任務。為了符合實際的狀況，我們將偵測的目標種類分為外套、上衣、褲子、裙子和包包五種常見的服裝類別。根據歸納式遷移學習的定義，其目的是在相同領域的情況下，將源領域的知識轉移到目標領域中，以提高目標領域任務的效果。故本研究透過歸納式遷移學習結合階層式的服裝分類方式進行兩階段的模型訓練，並搭配限制

對比度自適應直方圖均衡化（CLAHE）的影像處理方法進行影像強化來加強模型學習效果。由實驗結果得知，經由兩階段式的遷移學習以及CLAHE的影像強化方法進行優化後，所提出的模型在mAP優於原始的YOLOv4模型3.44%，並且在時尚服裝偵測任務中優於現有研究。本研究所提出的模型在未來也可以運用於許多潛在的延伸應用中，例如自動服裝標記系統、服裝樣式檢索和服裝相似性檢測等任務。

深入淺出PyTorch：從模型到源碼

為了解決外置ssd推薦的問題，作者張校捷 這樣論述：

本書從機器學習和深度學習的基礎概念入手，由淺到深地詳細介紹了PyTorch深度學習框架的知識，主要包含深度學習的基礎知識，如神經網路的優化演算法、 神經網路的模組等；同時也包含了深度學習的進階知識，如使用 PyTorch構建複雜的深度學習模型，以及前沿的深度學習模型的介紹等。另外，為了加深讀者對 PyTorch深度學習框架的理解和掌握，本書還介紹了PyTorch的原始程式碼結構，包括該框架的Python語言前端和C++語言後端的原始程式碼結構。 作為一本面向初中級讀者的技術類圖書，本書既可以作為深度學習框架 PyTorch 入門的參考書籍，也可以作為PyTorch深度學習框架的結構和原始程式

碼的閱讀指南使用。   張校捷，英偉達（NVIDIA）資深深度學習架構工程師，負責基於CUDA的深度學習框架的優化。目前主要使用的技術棧是作為深度學習框架後端的 C/C++/CUDA，以及深度學習框架前端的Python，對主流的深度學習框架如PyTorch和TensorFlow比較熟悉，並精通其在電腦視 覺（CV）和自然語言處理（NLP）方面的具體應用。作者多次作為專題演講嘉賓，受邀參加CSDN主辦的技術大會。 第1章 深度學習概念簡介 1 1．1 深度學習的歷史 1 1．1．1 深度學習的發展過程 1 1．1．2 深度學習在電腦視覺領域的發展 3 1．

1．3 深度學習在自然語言處理和其他領域的發展 6 1．2 機器學習基本概念 7 1．2．1 機器學習的主要任務 8 1．2．2 機器模型的類型 9 1．2．3 損失函數以及模型的擬合 11 1．3 深度學習基本概念 14 1．3．1 向量、矩陣和張量及其運算 15 1．3．2 張量的存儲 19 1．3．3 神經元的概念 19 1．4 輸入資料的表示方式 20 1．4．1 圖像資料的表示方式 20 1．4．2 文本資料的表示方式 22 1．4．3 音訊資料的表示方式 23 1．5 線性變換和啟動函數 26 1．5．1 全連接線性變換 26 1．5．2 卷積線性變換 28 1．5．3 啟動函數

29 1．6 鏈式求導法則和反向傳播 32 1．6．1 基於鏈式求導的梯度計算 32 1．6．2 啟動函數的導數 34 1．6．3 數值梯度 36 1．7 損失函數和優化器 37 1．7．1 常用的損失函數 37 1．7．2 基於梯度的優化器 38 1．7．3 學習率衰減和權重衰減 42 1．8 本章總結 43 第2章 PyTorch深度學習框架簡介 44 2．1 深度學習框架簡介 44 2．1．1 深度學習框架中的張量 44 2．1．2 深度學習框架中的計算圖 45 2．1．3 深度學習框架中的自動求導和反向傳播 46 2．2 PyTorch框架歷史和特性更迭 47 2．3 PyTorch

的安裝過程 49 2．4 PyTorch包的結構 52 2．4．1 PyTorch的主要模組 52 2．4．2 PyTorch的輔助工具模組 57 2．5 PyTorch中張量的創建和維度的操作 59 2．5．1 張量的資料類型 59 2．5．2 張量的創建方式 61 2．5．3 張量的存放裝置 65 2．5．4 和張量維度相關的方法 66 2．5．5 張量的索引和切片 69 2．6 PyTorch中張量的運算 70 2．6．1 涉及單個張量的函數運算 70 2．6．2 涉及多個張量的函數運算 72 2．6．3 張量的極值和排序 73 2．6．4 矩陣的乘法和張量的縮並 75 2．6．5 張量

的拼接和分割 77 2．6．6 張量維度的擴增和壓縮 79 2．6．7 張量的廣播 80 2．7 PyTorch中的模組簡介 82 2．7．1 PyTorch中的模組類 82 2．7．2 基於模組類的簡單線性回歸類 82 2．7．3 線性回歸類的產生實體和方法調用 84 2．8 PyTorch的計算圖和自動求導機制 87 2．8．1 自動求導機制簡介 87 2．8．2 自動求導機制實例 88 2．8．3 梯度函數的使用 89 2．8．4 計算圖生成的控制 89 2．9 PyTorch的損失函數和優化器 90 2．9．1 損失函數 90 2．9．2 優化器 92 2．10 PyTorch中資料的

輸入和預處理 96 2．10．1 數據載入類 96 2．10．2 映射類型的資料集 97 2．10．3 torchvision工具包的使用 97 2．10．4 可反覆運算類型的資料集 100 2．11 PyTorch模型的保存和載入 101 2．11．1 模組和張量的序列化及反序列化 101 2．11．2 模組狀態字典的保存和載入 104 2．12 PyTorch數據的視覺化 105 2．12．1 TensorBoard的安裝和使用 105 2．12．2 TensorBoard常用的視覺化資料類型 108 2．13 PyTorch模型的並行化 110 2．13．1 PyTorch的資料並行化

111 2．13．1 PyTorch的分散式資料並行化 112 2．14 本章總結 116 第3章 PyTorch電腦視覺模組 119 3．1 電腦視覺基本概念 119 3．1．1 電腦視覺任務簡介 119 3．1．2 基礎圖像變換操作 120 3．1．3 圖像特徵提取 123 3．1．4 濾波器的概念 125 3．2 線性層 126 3．3 卷積層 128 3．4 歸一化層 137 3．5 池化層 144 3．6 丟棄層 149 3．7 模組的組合 151 3．8 特徵提取 153 3．9 模型初始化 157 3．10 常見模型結構 160 3．10．1 InceptionNet的結構 1

61 3．10．2 ResNet的結構 164 3．11 本章總結 167 第4章 PyTorch機器視覺案例 169 4．1 常見電腦視覺任務和資料集 169 4．1．1 圖像分類任務簡介 169 4．1．2 目標檢測任務簡介 170 4．1．3 圖像分割任務簡介 171 4．1．4 圖像生成任務簡介 172 4．1．5 常用深度學習公開資料集 173 4．2 手寫數位識別：LeNet 176 4．2．1 深度學習工程的結構 176 4．2．2 MNIST資料集的準備 177 4．2．3 LeNet網路的搭建 179 4．2．4 LeNet網路的訓練和測試 182 4．2．5 超參數的修改

和argparse庫的使用 185 4．3 圖像分類：ResNet和InceptionNet 187 4．3．1 ImageNet資料集的使用 187 4．3．2 ResNet網路的搭建 189 4．3．3 InceptionNet網路的搭建 194 4．4 目標檢測：SSD 204 4．4．1 SSD的骨架網路結構 204 4．4．2 SSD的特徵提取網路結構 205 4．4．3 錨點框和選框預測 210 4．4．4 輸入資料的預處理 214 4．4．5 損失函數的計算 216 4．4．6 模型的預測和非極大抑制演算法 218 4．5 圖像分割：FCN和U-Net 219 4．5．1 FCN

網路結構 220 4．5．2 U-Net網路結構 225 4．6 圖像風格遷移 229 4．6．1 圖像風格遷移演算法介紹 229 4．6．2 輸入圖像的特徵提取 231 4．6．3 輸入圖像的優化 234 4．7 生成模型：VAE和GAN 236 4．7．1 變分自編碼器介紹 237 4．7．2 變分自編碼器的實現 239 4．7．3 生成對抗網路介紹 242 4．7．4 生成對抗網路的實現 244 4．8 本章總結 249 第5章 PyTorch自然語言處理模組 251 5．1 自然語言處理基本概念 251 5．1．1 機器翻譯相關的自然語言處理研究 251 5．1．2 其他領域的自然語

言處理研究 253 5．1．3 自然語言處理中特徵提取的預處理 254 5．1．4 自然語言處理中詞頻特徵的計算方法 256 5．1．5 自然語言處理中TF-IDF特徵的計算方法 258 5．2 詞嵌入層 261 5．3 迴圈神經網路層：GRU和LSTM 267 5．3．1 簡單迴圈神經網路 267 5．3．2 長短時記憶網路（LSTM） 269 5．3．3 門控迴圈單元（GRU） 272 5．4 注意力機制 280 5．5 自注意力機制 284 5．5．1 迴圈神經網路的問題 284 5．5．2 自注意力機制的基礎結構 285 5．5．3 使用自注意力機制來構建Seq2Seq模型 288 5

．5．4 PyTorch中自注意力機制的模組 290 5．5．5 Pytorch中的Transformer模組 292 5．6 本章總結 293 第6章 PyTorch自然語言處理案例 295 6．1 word2vec演算法訓練詞向量 295 6．1．1 單詞表的創建 295 6．1．2 word2vec演算法的實現 299 6．1．3 word2vec演算法的特性 301 6．2 基於迴圈神經網路的情感分析 302 6．3 基於迴圈神經網路的語言模型 305 6．3．1 語言模型簡介 305 6．3．2 語言模型的代碼 308 6．4 Seq2Seq模型及其應用 311 6．4．1 Seq

2Seq模型的結構 311 6．4．2 Seq2Seq模型編碼器的代碼 312 6．4．3 Seq2Seq模型注意力機制的代碼 315 6．4．4 Seq2Seq模型解碼器的代碼 317 6．5 BERT模型及其應用 321 6．5．1 BERT模型的結構 321 6．5．2 BERT模型的訓練方法 325 6．5．3 BERT模型的微調 327 6．6 本章總結 329 第7章 其他重要模型 330 7．1 基於寬深模型的推薦系統 330 7．1．1 推薦系統介紹 330 7．1．2 寬深模型介紹 331 7．2 DeepSpeech模型和CTC損失函數 335 7．2．1 語音辨識模型介

紹 335 7．2．2 CTC損失函數 337 7．3 使用Tacotron和WaveNet進行語音合成 342 7．3．1 Tacotron模型中基於Seq2Seq的梅爾篩檢程式特徵合成 343 7．3．2 Tacotron模型的代碼 344 7．3．3 WaveNet模型介紹 352 7．3．4 因果卷積模組介紹 355 7．3．5 因果卷積模組的代碼 357 7．3．6 WaveNet模型的代碼 358 7．4 基於DQN的強化學習演算法 360 7．4．1 強化學習的基礎概念 361 7．4．2 強化學習的環境 362 7．4．3 DQN模型的原理 363 7．4．4 DQN模型及其訓

練過程 365 7．5 使用半精度浮點數訓練模型 369 7．5．1 半精度浮點數的介紹 370 7．5．2 半精度模型的訓練 371 7．5．3 apex擴展包的使用 372 7．6 本章總結 373 第8章 PyTorch高級應用 375 8．1 PyTorch自訂啟動函數和梯度 375 8．2 在PyTorch中編寫擴展 377 8．3 正向傳播和反向傳播的鉤子 385 8．4 PyTorch的靜態計算圖 388 8．5 靜態計算圖模型的保存和使用 393 8．6 本章總結 396 第9章 PyTorch原始程式碼解析 397 9．1 ATen張量計算庫簡介 397 9．2 C++的

Python介面 400 9．3 csrc模組簡介 404 9．4 autograd和自動求導機制 407 9．5 C10張量計算庫簡介 408 9．6 本章總結 409 參考文獻 410

改善於社交網路分析應用效能之圖感知固態硬碟設計

為了解決外置ssd推薦的問題，作者楊閏宇 這樣論述：

近年隨著社群網路應用的快速發展下，相關應用開發商及媒體平台會利用圖資料庫(graph database)管理儲存使用者資料後進行社群網路分析，找出使用者潛在喜好、精準廣告投放、交友搜尋推薦等目的。發展至今的系統稱為圖處理系統，是基於圖資料庫整合圖儲存(graph storage)模塊來處理資料流，來因應快速擴增的資料規模，換言之，存取速度左右了整體社群網路分析的快慢程度。先前不少研究將目光放到如何增進圖處理系統 I/O 表現，例如會利用壓縮或是分割等技巧來達成。但截至目前仍沒有研究將現今廣泛應用的固態硬碟(solid-state drive, SSD) 的潛力發揮到極致，僅僅將其作為高速的傳

統機械硬碟使用，忽略其固有特性與管理機制的負擔，例如異地更新(out-of-place update)與垃圾回收(garbage collection, GC)。除此之外，當前的研究中也沒有提出具備同時讓固態硬碟能理解上層的使用意圖並且自行將資料重新整理成適合上層存取的形式之作法。儲存裝置僅能得知上層給予的邏輯塊位置(logic block address, LBA)資訊，並不能真正了解資料內容，因此難以進一步讓儲存裝置自行協助上層提升 I/O。本文提出一種圖感知的固態硬碟設計，能夠主動觀察上層的請求並持續追蹤猜測是否具備圖應用的存取行為特徵，讓儲存裝置能自行將資料整理。實驗表明能夠減少將近

95% 的讀取時間。考慮圖更新的情境，提出將寫入請求區分的機制，進而減少更新圖的時間以及延遲了 GC 啟動次數，經測試該方法能夠減少將近 79% 處理時間及 52% GC 被延後。