機器學習 CPU GPU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

全格局使用PyTorch - 深度學習和圖神經網路 - 基礎篇

為了解決機器學習 CPU GPU的問題，作者李金洪 這樣論述：

　　深度學習擅長處理結構規則的多維資料（歐氏空間），但現實生活中，很多不規則的資料如：社群、電子商務、交通領域，多是之間的關聯資料。彼此間以龐大的節點基礎與複雜的互動關係形成了特有的圖結構（或稱拓撲結構資料），這些資料稱為「非歐氏空間資料」，並不適合用深度學習的模型去分析。   　　圖神經網路（Graph Neural Networks, GNN）是為了處理結構不規則資料而產生的，主要利用圖結構的資料，透過機器學習的方法進行擬合、預測等。   　　〇 在結構化場景中，GNN 被廣泛應用在社群網站、推薦系統、物理系統、化學分子預測、知識圖譜等領域。 　　〇 在非結構化領域，GNN 可以用在圖

型和文字等領域。 　　〇 在其他領域，還有圖生成模型和使用 GNN 來解決組合最佳化問題的場景。   　　市面上充滿 NN 的書，但卻沒有一本完整說明 GNN，倘若不快點學這個新一代的神經網路，你會用的普通神經網路馬上就會落伍了！非歐氏空間才是最貼近人類生活的世界，而要真正掌握非歐氏空間的問題解決，GNN 是你一定要學的技術，就由本書一步步帶領你完全攻略！   　　〇 使用 Graph 概念取代傳統的歐氏空間神經元 　　〇 最好用的 PyTorch + Anaconda + Jupyter 　　〇 從基礎的 CNN、RNN、GAN 開始上手神經網路 　　〇 了解基礎的啟動函數、損失函數、L1/

L2、交叉熵、Softmax 等概念 　　〇 NLP 使用神經網路處理 + 多頭注意力機制 　　〇 Few-shot/Zero-shot 的神經網路設計 　　〇 空間域的使用，使用 DGL、Networkx 　　〇 利用 GNN 進行論文分類   本書特色   　　～GNN 最強入門參考書～ 　　● 以初學者角度從零開始講解，消除讀者學習過程跳躍感 　　● 理論和程式結合，便於讀者學以致用 　　● 知識系統，逐層遞進 　　● 內容貼近技術趨勢 　　● 圖文結合，化繁為簡 　　● 在基礎原理之上，注重通用規律 　

機器學習 CPU GPU進入發燒排行的影片

運用深度學習方法預測阿茲海默症惡化與腦中風手術存活

為了解決機器學習 CPU GPU的問題，作者吳振豪 這樣論述：

近年深度學習對醫療領域有深遠的影響，深度學習結合醫療影像應用技術，且運用機器學習能力快速及精準地判斷大量的醫療影像數據，協助醫生提高疾病診斷的正確率，更進而以相關的病理資訊來預測分析疾病發生風險與機率，全球學者仍持續研究如何運用深度學習的能力應用在各項智慧醫療發展上大腦疾病複雜又難以處理，腦部疾病中的一類為失智症，失智症中最常見的為阿茲海默症(Alzheimer's disease ,AD)，佔失智病患人數約50%-70%，目前尚無實證有效的藥物治療方式，因此目前研究方向朝向延緩病程的惡化進行。而腦中風為腦部疾病中常見的神經中樞疾病，腦中風患者在入院前的病理狀態影響手術後的存活機率，本篇論文

以深度學習模型可對不同類型醫療數據資料進行執行推斷能力，來預測阿茲海默症之惡化與腦中風手術後存活率。論文中實作了機器學習的隨機森林樹，梯度提升樹，支援向量機與深度學習的深度神經網路，並利用預測阿茲海默症惡化結果來進行效能比較，接者區分資料集為病人病理資訊與空汙資訊，試圖找出阿茲海默症惡化危險因素。另以相同模式建立模組，針對腦中風患者入院前的腦中風評量表，以評估病患各項生理指數，來了解是否對於手術後存活率有影響。

圖解TensorFlow 2初學篇：實作tf.keras + Colab雲端、深度學習、人工智慧、影像辨識

為了解決機器學習 CPU GPU的問題，作者林大貴 這樣論述：

　　TensorFlow 2是最受歡迎的「人工智慧與深度學習」平台，學會了TensorFlow 2，對於你的現有工作提升與未來轉職都有很大的幫助，然而多數人在學習過程中卻遇到了很多困難，而本書能解決學習TensorFlow 2的障礙。 　　✪漸進式系統化學習TensorFlow 2 　　本書是《圖解TensorFlow 2》系列叢書的第一本初學篇，本系列叢書主要是幫助初學者解決進入此領域的障礙，循序漸進有系統地學習「TensorFlow 2與人工智慧、深度學習」，本系列叢書詳細說明於本書序言。 　　✪圖解輕鬆理解深度學習與人工智慧 　　很多讀者都是在百忙之中抽空學習，本

書以很多的「圖解」來解說深度學習原理與程式系統的架構圖。由於「一張圖勝過千言萬語」，比起文字的說明，「圖解」更可讓原理易懂且印象深刻。 　　✪Step by Step實作快速上手 　　你只需要有Python基礎，依照本書範例程式碼Step by Step的詳細解說，便可讓你快速學會實作不同的深度學習模型。 　　✪節省訓練模型的時間與金錢 　　本書介紹Google Colab，只需要有Google帳號與瀏覽器，就能夠免費使用GPU訓練模型，加快訓練速度十多倍以上，可節省你採購與安裝顯示卡的昂貴費用。 　　✪培養「深度學習模型」直覺式的理解 　　本書介紹玩TensorFlow Playgro

und理解深度學習的原理。透過實際示範，讓你眼見為憑（有圖有真相），例如：什麼是「神經元」？什麼是「過度擬合」（overfitting）？並了解如何設定超參數等。 　　✪學會TensorFlow 2的最新技術 　　本書介紹TensorFlow 2的高階API tf.keras建立多層感知器（MLP）與卷積神經網路（CNN） 模型，能簡化模型建立與訓練，還介紹三種建立模型的方式以及四種儲存模型方式。 　　✪學會影像辨識從原理到實作 　　本書介紹影像辨識原理，以視覺化顯示CNN模型每一層特徵圖，讓你理解卷積層與池化層如何提取特徵。多個範例程式實作了影像預處理、建立模型、訓練、測試模型、預測結果

、儲存模型。 　　✪學會訓練深度學習模型的實務經驗 　　本書教你使用DropOut、Regularization、BatchNormalization、EarlyStop、ImageDataAugment等方法，可有效降低overfitting與提高準確率。將Cifar CNN模型原本準確率69%大幅提高至90%。 本書特色 　　繼台灣人工智慧領域最暢銷著作《TensorFlow+Keras深度學習人工智慧實務應用》之後，大數據分析大師、暢銷名作家 林大貴最新力作《圖解TensorFlow 2初學篇：實作tf.keras + Colab雲端、深度學習、人工智慧、影像辨識》嶄新登場！解決學

習TensorFlow 2的障礙，輕鬆進入深度學習與人工智慧領域！ 　　✪漸進式系統化學習TensorFlow 2 　　✪圖解輕鬆理解深度學習與人工智慧 　　✪Step by Step實作快速上手 　　✪Colab節省訓練模型的時間與金錢 　　✪養成深度學習模型直覺式的理解 　　✪學會TensorFlow 2的最新技術 　　✪學會影像辨識模型從原理到實作 　　✪學會訓練深度學習模型的實務經驗

用於深度類神經晶片內網路運算之動態映射演算法與資料共享機制

為了解決機器學習 CPU GPU的問題，作者王俊權 這樣論述：

近年來隨著深度神經網路(Deep Neural Networks, DNNs)的出現，機器學習的發展以及應用程度被推升到了一個新的高度，深度神經網路透過搭配各式各樣不同的類神經網路層，例如：全連接層、池化層、卷積層等等，不論是在圖像辨識、語言處理或是語音辨識都取得了優秀的成績。然而，儘管深度神經網路在AI應用上帶來了大量的優勢，但在深度神經網路高準確率下，隨之而來的是高複雜度運算成本。因此，高效的深度神經網路加速器設計在近年來備受關注。為了支援大量的運算需求，將導致硬體加速器與晶片外記憶體密集的資料傳輸。傳統的深度神經網路加速器通常使用以矩陣為主的運算單元架構設計來有效的降低密集的記憶體存取

。然而，以矩陣為主的運算單元架構之彈性度，會因為固定的資料流傳輸而受到限制。近年來，由於晶片內網路(Network on Chip, NoC)的互連構已被證明能有效地提升多核心系統中內部通信之彈性度，因此以晶片內網路為主之深度類神經網路加速器設計方式是十分有吸引力之選擇。為了讓深度神經網路能在硬體資源有限的加速器設計上運算，我們透過將深度神經網路模型切割為多次運算的方式，因而提出了動態映射演算法將深度神經網路分次映射於硬體加速器上運算。因為動態映射演算法會使得深度神經網路模型中同一層內的運算有機會被分為多次映射。因此在動態映射演算法的基礎下，我們提出了資料共享機制更進一步的提升資料重複使用率以

降低與晶片外記憶體的讀取次數，並透過翻轉映射規則以減少在資料共享機制下所需的共享資料傳輸時間。由於動態映射演算法將深度神經網路模型依據晶片內網路硬體資源拆分為多次運算，因此與相關研究相比之下，將有助於資源有限所設計之加速器能運算更大型的類神經網路模型。在加入資料共享機制以及翻轉映射規則將能提高輸入資料的重複使用率以及減少資料重用時所需傳輸時間，並且減少了在分次運算的過程中輸入資料與外記憶體重複讀取的浪費，因此在運算LeNet 模型和AlexNet模型上將減少總運算時間最多15.41%和4.59%以及減少25.83%和7.01%的記憶體存取次數。此外，基於不同的參數設計下，我們實現了相對應的硬體

加速器以驗證我們提出的設計方法，並且與相關研究比較之下，該設計方法能夠提升硬體效率22.5% 到190%，在我們所提出的設計方法下，該加速器能達到高彈性、高擴展性以及以有限硬體資源的設計下支援目標深度神經網路模型的運算。