框架前端的問題，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

深入淺出PyTorch：從模型到源碼

為了解決框架前端的問題，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

框架前端進入發燒排行的影片

設計趨勢預測應用於設計思考流程之研究

為了解決框架前端的問題，作者林貞瑜 這樣論述：

台灣近年愈來愈重視設計產業，政府提倡將設計作爲企業的目標策略與核心，不過目前許多政策仍在規劃階段，只有少數成功的大型企業，早已開始進行設計趨勢相關的研究工作，因此本研究動機為瞭解企業執行設計趨勢的目的與過程，以及對設計師的影響。本研究採用質性研究中的半結構式訪談，以台灣本土大型科技企業之設計中心作為本研究之個案，透過研究目的：一、瞭解企業內部如何進行設計趨勢預測與彙整。二、企業內之設計師如何應用設計趨勢進行設計思考與發想。三、設計趨勢對於企業內的設計師的影響為何。以及文獻探討的歸納，聚焦於企業中執行設計趨勢預測與設計思考之流程及應用，以及企業內之設計師認為趨勢預測之於個人或公司之影響，訪綱分

為四大類，共26道題目，分別訪談八位參與過設計趨勢研究之設計師，從中瞭解設計趨勢的重要性。本研究依照企業內部設計師們所提供的經驗與建議，研究者根據訪談結果提出下列點結論：1、企業內之設計中心執行趨勢，會綜合多種不同形式的團體預測方法使用，每年無固定使用之方法，會依據人員、目標的不同去做調整，訂定趨勢結論。；2、企業全體人員可從宏觀趨勢抓取機會點，在成立新專案時導入，而設計人員可從設計趨勢抓取應用面，在設計發想時導入使用，或是設計提案時導入設計理念中。；3、設計趨勢對於設計師而言，是一個與時俱進的工具書，使設計作品在產業界的壽命更加長遠。4.趨勢研究結果不需要強制在設計中心內部去做驗證，可以從市

場回饋中得到答案。