數字分類的問題，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

寫給程式設計師的深度學習：使用fastai和PyTorch

為了解決數字分類的問題，作者JeremyHoward,SylvainGugger 這樣論述：

建構AI應用程式，您不必拿PhD    　　深度學習通常被視為數學博士和大型科技公司的獨門秘術，然而，正如這本指南所言，如果你已經會寫Python，那麼你只要稍微了解數學、取得少量的資料，就可以用最精簡的程式，寫出令人印象深刻的深度學習作品。怎麼做？使用fastai！它是史上第一個以一致的介面來讓你使用最常見的深度學習應用的程式庫。    　　本書作者Jeremy Howard與Sylvain Gugger是fastai的創作者，他們將告訴你如何使用fastai和PyTorch訓練各種任務的模型，並帶領你逐步研究深度學習理論，以充分了解藏身幕後的演算法。    　　‧訓練電腦視覺、自然語言

處理、表格式資料和聯合過濾等任務的模型  　　‧學習在實務上最重要且最新的深度學習技術  　　‧釐清深度學習模型如何運作，改善準確度、速度與可靠度  　　‧了解如何將模型轉換成web應用程式  　　‧從零開始實作深度學習演算法  　　‧思考作品的道德意義  　　‧從PyTorch的聯合創始人Soumith Chintala的前言獲得真知灼見   好評推薦   　　「這是程式員精通深度學習的最佳資源之一。」 —Peter Norvig，Google研究總監    　　「本書透過實際的操作，以簡單且實用的方法揭開深度學習的神秘面紗。」 —Curtis Langlotz，史丹佛大學醫學及成像人工智慧

中心主任 

數字分類進入發燒排行的影片

基於區塊截斷編碼的混合數據隱藏方案

為了解決數字分類的問題，作者楊庭愷 這樣論述：

隨著智能手機、雲存儲和無線通信的快速發展，人們每天都會通過互聯網交流且傳輸大量的資訊，如何保護訊息免遭不肖人士竊取訊息的安全變得至關重要。由於圖像通常具有足夠的冗餘空間，即使將像素進行了微調，也不容易被辨識出其中的變化，因此它們是一種非常適合隱藏訊息的介質，也就衍生出一種將訊息隱藏在圖片中進行保護的技術。此外，為了傳輸時的效率及減少存儲空間，通常會將圖像進行壓縮後再進行傳輸。所提出的方法提出了一種新穎的數據隱藏方案，使用區塊截斷編碼進行圖像壓縮，並通過有著龜殼參考矩陣的結構的表格，將要隱藏的資訊與壓縮圖像中的位元圖產生一對多的映射的關係，將符合隱藏訊息的位元圖通過MSE篩選出最好的位元圖，使

得在影像品質的影響上降到最低，即完成訊息的隱藏。

深度學習與圍棋

為了解決數字分類的問題，作者（美）馬克思•帕佩拉 這樣論述：

這是一本深入淺出且極富趣味的深度學書。本書選取深度學年來的突破之一 AlphaGo，將其背後的技術和原理娓娓道來，並配合一套基於 BetaGo 的開原始程式碼，帶領讀者從零開始一步步實現自己的“AlphaGo”。本書側重實踐，深入淺出，庖丁解牛般地將深度學lphaGo這樣深奧的話題變人、觸手可及，內容精彩。 全書共分為3個部分：第一部分介紹機器學棋的基礎知識，並構建一個最簡圍棋機器人，作為後面章節內容的基礎；第二部分分層次深入介紹AlphaGo背後的機器學度學括樹搜索、神經網路、深度學人和強化學及強化學個高級技巧括策略梯度、價值評估方法、演員-評價方法 3 類技術；第三部分將前面兩部分準備好

的知識集成到一起，並最終引導讀者實現自己的AlphaGo，以及版AlphaGo Zero。讀完本書之後，讀者會對深度學學科以及AlphaGo的技術細節有全面的瞭解，一步深入鑽研AI理論、拓展AI應用打下良好基礎。 本書不要求讀者對AI或圍棋有任何瞭解，只需要瞭解基本的Python語法以及基礎的線性代數和微積分知識。 馬克斯·帕佩拉（Max Pumperla），供職於Skymind公司，是一位專職研究深度學據科學家和工程師。他是深度學Aetros的聯合創始人。 凱文·費格森（Kevin Ferguson），在分散式系統和資料科學領域擁20年的工作經驗。他是Honor公司的

資料科學家，曾就職于穀歌和Meebo等公司。 馬克斯·帕佩拉和凱文·費格森都是經驗豐富的深度學，擁有豐富的分散式系統和資料科學方面的知識。他們是開源圍棋機器人 BetaGo 的共同創造者。 第一部分 基礎知識 第1章 深度學器學 3 1.1 什麼是機器學 1.1.1 機器學I的關係 5 1.1.2 機器學什麼，不能做什麼 6 1.2 機器學 7 1.2.1 在軟體應用中使用機器學 1.2.2 監督學1 1.2.3 無監督學2 1.2.4 強化學2 1.3 深度學3 1.4 閱讀本書能學到什麼 14 1.5 小結 15 第2章 圍棋與機器學6 2.1 為什麼選擇遊戲 16

2.2 圍棋快速入門 17 2.2.1 瞭解棋盤 17 2.2.2 落子與吃子 18 2.2.3 終盤與勝負計算 19 2.2.4 理解劫爭 20 2.2.5 讓子 20 2.3 更多學 20 2.4 我們可以教會電腦什麼 21 2.4.1 如何開局 21 2.4.2 搜索遊戲狀態 21 2.4.3 減少需要考慮的動作數量 22 2.4.4 評估遊戲狀態 22 2.5 如何評估圍棋AI的能力 23 2.5.1 傳統圍棋評級 23 2.5.2 對圍棋A行基準測試 24 2.6 小結 24 第3章 實現第 一個圍棋機器人 25 3.1 在Python中表達圍棋遊戲 25 3.1.1 實現圍棋棋盤

28 3.1.2 在圍棋中跟蹤相連的棋組：棋鏈 28 3.1.3 在棋盤上落子和提子 30 3.2 跟蹤遊戲狀態並檢查非法動作 32 3.2.1 自吃 33 3.2.2 劫爭 34 3.3 終盤 36 3.4 創建自己的第 一個機器人：理論上最弱的圍棋AI 37 3.5 使用Zobrist雜湊加速棋局 41 3.6 人機對弈 46 3.7 小結 47 第二部分 機器學戲AI 第4章 使用樹搜索下棋 51 4.1 遊戲分類 52 4.2 利用極小化極大搜索預測對手 53 4.3 井字棋推演：一個極小化極大演算法的示例 56 4.4 通過剪枝演算法縮減搜索空間 58 4.4.1 通過棋局評估減少

搜索深度 60 4.4.2 利用α-β剪枝縮減搜索寬度 63 4.5 使用蒙特卡洛樹搜索評估遊戲狀態 66 4.5.1 在Python中實現蒙特卡洛樹搜索 69 4.5.2 如何選擇繼續探索的分支 72 4.5.3 將蒙特卡洛樹搜索應用於圍棋 74 4.6 小結 76 第5章 神經網路入門 77 5.1 一個簡單的用例：手寫數字分類 78 5.1.1 MNIST手寫數字資料集 78 5.1.2 MNIST數據的預處理 79 5.2 神經網路基礎 85 5.2.1 將對率回歸描述為簡單的神經網路 85 5.2.2 具有多個輸出維度的神經網路 85 5.3 前饋網路 86 5.4 我們的預測有多好

？損失函數及優化 89 5.4.1 什麼是損失函數 89 5.4.2 均方誤差 89 5.4.3 在損失函數中找極小值 90 5.4.4 使用梯度下降法找極小值 91 5.4.5 損失函數的隨機梯度下降演算法 92 5.4.6 通過網路反向傳播梯度 93 5.5 在Python中逐步訓練神經網路 95 5.5.1 Python中的神經網路層 96 5.5.2 神經網路中的啟動層 97 5.5.3 在Python中實現稠密層 98 5.5.4 Python順序神經網路 100 5.5.5 將網路集成到手寫數位分類應用中 102 5.6 小結 103 第6章 為圍棋資料設計神經網路 105 6.1

為神經網路編碼圍棋棋局 107 6.2 生成樹搜索遊戲用作網路訓練資料 109 6.3 使用Keras深度學112 6.3.1 瞭解Keras的設計原理 112 6.3.2 安裝Keras深度學113 6.3.3 熱身運動：在Keras中運行一個熟悉的示例 113 6.3.4 使用Keras中的前饋神經網行動作預測 115 6.4 使用卷積網路分析空間 119 6.4.1 卷積的直觀解釋 119 6.4.2 用Keras構建卷積神經網路 122 6.4.3 用池化層縮減空間 123 6.5 預測圍棋動作概率 124 6.5.1 在最後一層使用softmax啟動函數 125 6.5.2 分類問

題的交叉熵損失函數 126 6.6 使用丟棄和線性整流單元構建更深的網路 127 6.6.1 通過丟棄神經元對網行正則化 128 6.6.2 線性整流單元啟動函數 129 6.7 構建更強大的圍棋動作預測網路 130 6.8 小結 133 第7章 從數據中學建深度學人 134 7.1 導入圍棋棋譜 135 7.1.1 SGF檔案格式 136 7.1.2 從KGS下載圍棋棋譜並複盤 136 7.2 為深度學圍棋數據 137 7.2.1 從SGF棋譜中複盤圍棋棋局 138 7.2.2 構建圍棋資料處理器 139 7.2.3 構建可以地載入資料的圍棋資料生成器 146 7.2.4 並行圍棋資料處理和

生成器 147 7.3 基於真實棋局資料訓練深度學 148 7.4 構建更逼真的圍棋資料編碼器 152 7.5 使用自我調整梯行的訓練 155 7.5.1 在SGD中採用衰減和動量 155 7.5.2 使用Adagrad優化神經網路 156 7.5.3 使用Adadelta優化自我調整梯度 157 7.6 運行自己的實驗並評估性能 157 7.6.1 測試架構與超參數的指南 158 7.6.2 評估訓練與測試資料的性能指標 159 7.7 小結 160 第8章 實地部署圍棋機器人 162 8.1 用深度神經網路創建動作預測代理 163 8.2 為圍棋機器人提供Web前端 165 8.3 在雲端

訓練與部署圍棋機器人 169 8.4 與其他機器人對話：圍棋文本協定 170 8.5 在本地與其他機器人對弈 172 8.5.1 機器人應該何時跳過回合或認輸 172 8.5.2 讓機器人與其他圍棋程行對弈 173 8.6 將圍棋機器人部署到線上圍棋伺服器 178 8.7 小結 182 第9章 通過實踐學化學83 9.1 強化學 184 9.2 經括哪些內容 185 9.3 建立一個有學的代理 188 9.3.1 從某個概率分佈行抽樣 189 9.3.2 剪裁概率分佈 190 9.3.3 初始化一個代理實例 191 9.3.4 在磁片上載入並保存代理 191 9.3.5 實現動作選擇 193

9.4 自我對弈：電腦程行實踐訓練的方式 194 9.4.1 經驗資料的表示 194 9.4.2 模擬棋局 197 9.5 小結 199 第10章 基於策略梯度的強化學00 10.1 如何在隨機棋局中識別更佳的決策 201 10.2 使用梯度下降法修改神經網路的策略 204 10.3 使用自我對行訓練的幾個小技巧 208 10.3.1 評估學展 208 10.3.2 衡量強度的細微差別 209 10.3.3 SGD優化器的微調 210 10.4 小結 213 第11章 基於價值評估方法的強化學14 11.1 使用Q學行遊戲 214 11.2 在Keras中實現Q學18 11.2.1 在Kera

s中構建雙輸入網路 218 11.2.2 用Keras實現ε貪婪策略 222 11.2.3 訓練一個行動-價值函數 225 11.3 小結 226 第12章 基於演員-評價方法的強化學27 12.1 優勢能夠告訴我們哪些決策更加重要 227 12.1.1 什麼是優勢 228 12.1.2 在自我對弈過程中計算優勢值 230 12.2 為演員-評價學神經網路 232 12.3 用演員-評價代理下棋 234 12.4 用經驗資料訓練一個演員-評價代理 235 12.5 小結 240 第三部分 一加一大於二 第 13章 AlphaGo：全部集結 243 13.1 為AlphaGo訓練深度神經網路

245 13.1.1 AlphaGo的網路架構 246 13.1.2 AlphaGo棋盤編碼器 248 13.1.3 訓練AlphaGo風格的策略網路 250 13.2 用策略網路啟動自我對弈 252 13.3 從自我對弈資料衍生出一個價值網路 254 13.4 用策略網路和價值網路做出更好的搜索 254 13.4.1 用神經網路蒙特卡洛推演 255 13.4.2 用合併價值函行樹搜索 256 13.4.3 實現AlphaGo的搜索演算法 258 13.5 訓練自己的AlphaGo可能遇到的實踐問題 263 13.6 小結 265 第14章 AlphaGo Zero：將強化學到樹搜索中 266

14.1 為樹搜索構建一個神經網路 267 14.2 使用神經網路來指導樹搜索 268 14.2.1 沿搜尋樹下行 271 14.2.2 擴展搜尋樹 274 14.2.3 選擇一個動作 276 14.3 訓練 277 14.4 用狄利克雷雜訊探索 281 14.5 處理超深度神經網路的相關 282 14.5.1 批量歸一化 282 14.5.2 殘差網路 283 14.6 探索額外資源 284 14.7 結語 285 14.8 小結 285 附錄A 數學基礎 286 附錄B 反向傳播演算法 293 附錄C 圍棋程式與圍棋伺服器 297 附錄D 用AWS來訓練和部署圍棋程式與圍棋伺服器 30

0 附錄E 將機器人發佈到OGS 307

基於YOLO v4影像辨識技術之智慧型機車安全距離警示系統

為了解決數字分類的問題，作者梁文勇 這樣論述：

因台灣土地狹窄，人口密度高，具備靈活及高機動性的機車成為一般人最常使用的移動交通工具，近年來雖然有逐漸在倡導「防衛性駕駛」但交通事故仍無明顯的低減，在交通事故常造成人員傷亡，而究其交通事故的原因，「未依規定讓車」及「轉彎不當」佔比最高，而機車駕駛人常常與大型車爭道，會因大型車視線盲區不易察覺週遭車況而容易發生交通意外事故，近年來人工智慧也逐 漸應用在我們生活上，本研究利用偵測準確度高且運算速度快的YOLO v4深度學習技術並配合影像辨識方法偵測出於街道中移動的大型車輛，藉由標記影像特徵且利用深度神經網路進行模型訓練模型，對於想要偵測的目標物做影像辨識。同時偵測與目標物的相對距離，當車輛進入到

安全距離時，會透過警示來提醒機車駕駛人事前做出防範的措施，以減少機車的交通意外事故發生。實驗結果證明，本研究使用AI影像辨視方法進行大型車輛偵測其偵測的準確率結果為94%，是一個相當不錯的結果。