顯卡驅動的問題，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

深度學習圖像識別技術

為了解決顯卡驅動的問題，作者莊建 這樣論述：

首先講述了人工智慧、深度學習、卷積神經網路、目標檢測以及遷移學習的概念，接著詳述了如何基於Tensor Flow Object Detection API框架從零開始搭建深度學習目標檢測應用的開發環境，如何訓練自己的目標檢測模型，然後詳述了如何基於Open VINO工具套件優化模型、部署模型以及用C++和Python開發使用者應用程式。然後通過工業光學字元自動識別、垃圾瓶自動分選、農作物病害自動識別和工業產品外觀缺陷檢測4個完整的深度學習目標檢測工程案例來説明讀者加深深度學習圖形檢測的認識和理解。 《深度學習圖像識別技術：基於Tensor Flow Object Detection API和

Open VINO工具套件》適合從事AI行業相關技術的工程師閱讀，也適合打算進入AI行業的大中專院校的學生學習參考。   1. 莊建 莊建，中國科學院高能物理研究所研究員，核探測與核電子國家重點實驗室成員。參與了北京自由電子鐳射、北京正負電子對撞機、中國散裂中子源等多項大科學裝置的建設。現在主要從事大科學裝置的實驗控制及資料獲取方面的研究。 2. 張晶 張晶，浙江大學碩士，廣東榮旭智慧技術有限公司研發總監，聯合創始人；具有13年機器視覺系統開發經驗，負責深度學習外觀檢測演算法的研發；LabVIEW註冊構架師、Python程式師、英特爾物聯網創新大使、TensorFlo

w User Group東莞站組織者。 3. 許鈺雯 許鈺雯，女，現為中國科學院大學高能物理研究所電子與通信工程專業碩士研究生，主攻方向為軟體工程及深度學習應用   序 前言 第1章 人工智慧、深度學習與目標檢測 1.1 人工智慧簡介 1.1.1 什麼是人工智慧 1.1.2 人工智慧發展簡史 1.1.3 人工智慧與深度學習的關係 1.2 深度學習簡介 1.2.1 神經網路 1.2.2 神經元 1.2.3 深度神經網路 1.2.4 深度卷積神經網路 1.3 目標檢測 1.3.1 目標檢測演算法發展簡史 1.3.2 深度學習目標檢測演算法 1.4 遷移學習簡介 1.4.1

訓練深度學習模型依賴大資料 1.4.2 大資料造成的問題 1.4.3 遷移學習 1.4.4 TensorFlow預訓練模型庫 1.5 本章小結 第2章 搭建深度學習開發環境 2.1 深度學習訓練所需的硬體 2.1.1 英偉達顯卡選型 2.1.2 英偉達顯卡驅動安裝 2.1.3 測試驅動程式安裝 2.1.4 設置英特爾?集成顯卡為系統主顯示輸出 2.1.5 幻影峽谷：可擕式AI訓練“伺服器” 2.2 深度學習開發環境所需的軟體 2.3 安裝Python和Anaconda 2.3.1 Python和Anaconda簡介 2.3.2 下載並安裝Anaconda 2.3.3 測試Anaconda安

裝 2.3.4 配置Anaconda套裝軟體下載伺服器 2.3.5 配置虛擬環境tf_gpu 2.3.6 Anaconda的進階學習 2.4 安裝Visual Studio Code 2.4.1 Visual Studio Code簡介 2.4.2 安裝 2.4.3 在Visual Studio Code中編輯Python代碼 2.4.4 在Visual Studio Code中運行Python代碼 2.4.5 在Visual Studio Code中調試Python代碼 2.4.6 在Visual Studio Code安裝Pylint 2.4.7 在Visual Studio Code中一

鍵美化Python代碼 2.5 安裝TensorFlow 2.5.1 TensorFlow簡介 2.5.2 下載並安裝 2.5.3 測試安裝 2.5.4 pip install 與 conda install 2.6 安裝Git工具 2.6.1 Git簡介 2.6.2 下載並安裝 2.6.3 測試安裝 2.7 安裝TensorFlow Object Detection API框架 2.7.1 TensorFlow Object Detection API簡介 2.7.2 下載並安裝 2.7.3 安裝依賴的python套裝軟體 2.7.4 配置環境變數 2.7.5 安裝COCO API 2.7.

6 編譯proto檔 2.7.7 測試安裝 2.8 安裝LabelImg 2.8.1 LabelImg簡介 2.8.2 下載並安裝 2.8.3 測試安裝 2.9 本章小結 第3章 訓練模型 3.1 TensorFlow Object Detection API軟體框架簡介 3.2 使用TensorFlow預訓練模型 3.2.1 如何選擇預訓練模型 3.2.2 預訓練模型的檔構成 3.2.3 一個典型的深度學習訓練流程 3.3 準備圖片：下載貓狗資料集 3.3.1 Kaggle資料集下載流程 3.3.2 訓練圖片的數量問題 3.3.3 訓練圖片的樣本不平衡問題 3.4 使用LabelImg標注

圖片 3.4.1 LabelImg簡介 3.4.2 建立貓狗專案檔案夾結構 3.4.3 標注圖片 3.4.4 標注文件（*.xml）簡介 3.4.5 複製10%的資料到eval資料夾 3.4.6 複製資料到test資料夾 3.5 依據標注類型創建標籤映射文件 3.6 創建TensorFlow TFRecord文件 3.6.1 將*.xml檔轉換為*.csv文件 3.6.2 將*.csv檔轉換為*.tfrecord文件 3.7 修改預訓練模型的設定檔 3.7.1 預訓練模型的設定檔 3.7.2 設定檔的結構 3.7.3 修改ssd_inception_v2_coco.config設定檔 3.8

訓練模型 3.9 使用TensorBoard觀察訓練過程 3.9.1 什麼是TensorBoard 3.9.2 TensorBoard的使用方法 3.10 評估訓練好的模型 3.11 匯出訓練好模型的凍結圖 3.11.1 檢查點檔 3.11.2 凍結TensorFlow模型 3.12 用訓練好的凍結圖模型做目標檢測 3.13 用Python程式一鍵訓練模型 3.13.1 為新專案一鍵創建資料夾結構 3.13.2 一鍵訓練模型 3.14 本章小結 第4章 優化並部署模型 4.1 OpenVINO工具套件簡介 4.2 OpenVINO典型開發流程 4.3 安裝OpenVINO工具套件 4.3.1

版本選擇 4.3.2 系統要求 4.3.3 下載並安裝OpenVINO工具套件 4.4 安裝Cmake 4.5 安裝Microsoft Visual Studio 2017 4.6 安裝硬體驅動 4.6.1 英特爾顯卡驅動 4.6.2 英特爾神經計算棒二代驅動 4.6.3 英特爾視覺計算加速卡驅動 4.7 設置環境變數 4.8 運行演示程式 4.8.1 demo_benchmark_app.bat 4.8.2 demo_security_barrier_camera.bat 4.8.3 demo_squeezenet_download_convert_run.bat 4.9 編譯並運行Inf

erence Engine範例和演示程式 4.9.1 編譯samples資料夾中的範例 4.9.2 編譯demos資料夾中的範例 4.9.3 從Open Model Zoo中下載預訓練模型 4.9.4 下載英特爾?範例視頻 4.9.5 運行預訓練模型 4.10 使用Model Optimizer優化模型 4.10.1 轉換TensorFlow* Object Detection API模型 4.10.2 用OpenVINO工具套件範例程式測試IR模型 4.10.3 用OpenVINO工具套件演示程式測試IR模型 4.11 編寫OpenVINO應用程式 4.11.1 Inference Engi

ne簡介 4.11.2 Inference Engine Plugin構架 4.11.3 Inference Engine應用程式典型開發流程 4.11.4 查看模型的輸入和輸出張量 4.12 OpenVINO AI推理計算C++範例 4.12.1 設置環境變數和Visual Studio專案屬性 4.12.2 開發AI推理計算C++應用程式 4.12.3 切換AI推理計算硬體 4.13 OpenVINO AI推理計算Python範例 4.13.1 設置環境變數PYTHONPATH 4.13.2 開發AI推理計算Python應用程式（OpenCV版） 4.13.3 開發AI推理計算Python

應用程式（OpenVINOTM版） 4.13.4 AI推理計算用Python還是C++？ 4.14 本章小結 第5章 進一步提升AI推理計算性能 5.1 性能評價指標 5.2 同步和非同步模式 5.2.1 同步模式範例 5.2.2 非同步模式範例 5.3 多設備和異構外掛程式 5.3.1 異構外掛程式 5.3.2 多設備外掛程式 5.4 本章小結 第6章 工業領域光學字元辨識範例 6.1 專案背景 6.2 新建OCR專案工程資料夾 6.3 收集並標注圖片 6.4 訓練模型 6.5 匯出TensorFlow凍結圖模型 6.6 測試模型 6.7 基於OpenVINO工具套件優化並加速模型 6.

8 基於OpenVINO工具套件部署模型 6.9 本章小結 第7章 垃圾瓶自動分選專案範例 7.1 專案背景 7.2 新建垃圾瓶分類專案工程資料夾 7.3 收集並標注圖片 7.4 訓練模型 7.5 匯出TensorFlow凍結圖模型 7.6 測試模型 7.7 基於OpenVINO工具套件優化並加速模型 7.8 基於OpenVINO工具套件部署模型 7.9 本章小結 第8章 農作物病蟲害自動識別專案範例 8.1 專案背景 8.2 新建農作物病蟲害自動識別專案工程資料夾 8.3 收集並標注圖片 8.4 訓練模型 8.5 匯出TensorFlow凍結圖模型 8.6 測試模型 8.7 基於Open

VINO工具套件優化並加速模型 8.8 基於OpenVINO工具套件部署模型 8.9 本章小結 第9章 深度學習外觀缺陷檢測專案範例 9.1 專案背景 9.2 新建外觀缺陷檢測專案工程資料夾 9.3 收集並標注圖片 9.4 訓練模型 9.5 匯出TensorFlow凍結圖模型 9.6 測試模型 9.7 基於OpenVINO工具套件優化並加速模型 9.8 基於OpenVINO工具套件部署模型 9.9 本章小結 參考文獻

顯卡驅動進入發燒排行的影片

可即時分析人行道路況之全自主外送機器人設計與實作

為了解決顯卡驅動的問題，作者陳柏伸 這樣論述：

近年來自動駕駛的技術發展得愈來愈成熟，藉由整合機器人定位、底盤控制、影像辨識、光學雷達雷射等許多的技術整合成一個系統，來讓自駕車能夠安全地行駛在道路上，但是目前大多數的自駕車研究需要昂貴的硬體設備為研究門檻，例如一台電動車、大量的傳感器以及人工智慧超級電腦等設備，使得大多數機器人研究者只對室內機器人進行研究。 因應送餐等服務業在一般道路的移動需求，但考量行駛於公用道路車道上的法律限制，因此本研究以行人的移動方式為基礎，開發可行走於人行道或道路邊的全自主外送機器人。為了要達到此一目的。透過光學鏡頭與光學雷達等感測器，辨識並分析可用於行人行走的人行道、道路邊、斑馬線等區域，確保機器

人不會影響路上車流、不會撞擊行人並且能夠自主導航到達目的。 因此本研究開發了行走在道路邊之全自主外送機器人，本研究使用ROS機器人系統來開發系統，系統中分為兩大方法即時定位與地圖建構(Simultaneous Localization And Mapping, SLAM)和導航(Navigation)，為了處理光學雷達的大量資料，在建立地圖時的機器人能夠精確定位，以規劃出正確航路來建立出精確地圖。而導航方法為航點跟隨功能和利用路面邊線辨識實現道路邊矯正功能。 機器人的執行平台 使用 Nvidia Jetson AGX Xavier作為系統核心，底盤架構採用2WD架構使機器人移動，使

用光學鏡頭辨識路面邊線，光學雷達來收集環境資料來建立地圖和導航時動態偵測障礙物，IMU幫助機器人定位。機器人進行導航時跟隨航點行駛在虛擬道路上，使用3D Li-DAR偵測與避開障礙物和使用光學鏡頭辨識路面邊線來盡可能行走在道路邊，來使機器人能夠安全地到達目的地。此一研究成果可實現機器人在道路邊的自主導航與避障，並有潛力可應用於送餐和送貨等服務。

從實踐中學習Kali Linux滲透測試

為了解決顯卡驅動的問題，作者大學霸IT達人 這樣論述：

滲透測試是通過類比駭客攻擊的方式來檢查和評估網路安全的一種方法。Kali Linux是世界知名的滲透測試專用系統，該系統集成了幾千種滲透測試的相關工具。借助Kali Linux，安全人員可以高效率地發現目標網路和主機存在的漏洞，並驗證漏洞的危害性，從而評估目標的安全性。   《從實踐中學習Kali Linux滲透測試》共分為10章，涵蓋的主要內容有滲透測試基礎、安裝Kali Linux系統、配置Kali Linux系統、配置靶機、資訊收集、漏洞利用、嗅探欺騙、密碼攻擊和無線網路滲透測試等。   《從實踐中學習Kali Linux滲透測試》適合滲透測試人員、網路維護人員和資訊安全愛好者閱讀。  

《從實踐中學習Kali Linux滲透測試》可以幫助讀者瞭解和掌握Kali Linux滲透測試的相關技術，熟悉滲透測試的各個要點和技巧，掌握規範的操作流程，從而提高工作效率。   大學霸IT達人 資訊安全技術研究團隊。熟悉Kali Linux、Metasploit、Xamarin等相關技術。長期從事技術研究和推廣工作。專注于網路安全、滲透測試、移動開發和遊戲開發等領域。曾經參與編寫了多本相關技術圖書。 第1章 滲透測試概述 1 1.1 什麼是滲透測試 1 1.1.1 黑盒測試 1 1.1.2 白盒測試 1 1.1.3 灰盒測試 2 1.2 滲透測試流程

2 1.3 Kali Linux系統概述 3 1.3.1 為什麼使用Kali Linux 3 1.3.2 Kali Linux發展史 4 1.4 法律邊界 6 1.4.1 獲取合法授權 6 1.4.2 部分操作的危害性 7 第2章 安裝Kali Linux系統 8 2.1 下載鏡像 8 2.1.1 獲取鏡像 8 2.1.2 校驗鏡像 13 2.2 虛擬機器安裝 15 2.2.1 獲取VMware軟體 15 2.2.2 安裝VMware 16 2.2.3 創建Kali Linux虛擬機器 19 2.2.4 安裝作業系統 22 2.3 實體機安裝 33 2.3.1 安裝Win32Disk Ima

ger工具 33 2.3.2 製作USB安裝盤 36 2.3.3 準備Kali Linux硬碟分區 37 2.3.4 設置第一啟動項 40 2.3.5 設置硬碟分區 43 2.3.6 安裝GRUB 50 第3章 配置Kali Linux 51 3.1 認識Kali Linux 51 3.1.1 命令功能表 51 3.1.2 “文件”工具 56 3.1.3 終端 60 3.1.4 “設置”面板 63 3.2 配置網路 65 3.2.1 配置有線網路 65 3.2.2 配置無線網路 70 3.2.3 配置VPN網路 74 3.3 配置軟體源 78 3.3.1 什麼是軟體源 78 3.3.2 添加

軟體源 80 3.3.3 更新軟體源/系統 81 3.4 安裝軟體源的軟體 84 3.4.1 確認套裝軟體名 85 3.4.2 安裝/更新軟體 86 3.4.3 移除軟體 88 3.4.4 安裝虛擬機器增強工具 88 3.4.5 使用VMware共用資料夾 89 3.4.6 安裝中文輸入法 92 3.5 安裝協力廠商軟體 92 3.5.1 安裝二進位軟體 93 3.5.2 安裝源碼包 93 3.5.3 安裝源碼共用式 95 3.5.4 安裝Windows軟體 96 3.6 執行軟體 99 3.6.1 普通軟體 99 3.6.2 執行腳本 102 3.7 安裝驅動 105 3.7.1 查看設備

105 3.7.2 安裝必備套裝軟體 110 3.7.3 安裝開源顯卡驅動 110 3.7.4 安裝顯卡廠商驅動 113 第4章 配置靶機 120 4.1 什麼是靶機 120 4.1.1 靶機的作用 120 4.1.2 靶機的分類 120 4.2 使用虛擬機器 121 4.2.1 構建靶機 121 4.2.2 克隆虛擬機器 122 4.2.3 使用協力廠商創建的虛擬機器 124 第5章 資訊收集 127 5.1 發現主機 127 5.2 功能變數名稱分析 134 5.3 掃描埠 143 5.4 識別作業系統 148 5.5 識別服務 151 5.6 收集服務資訊 153 5.7 資訊分析和

整理 161 第6章 掃描漏洞 178 6.1 漏洞概述 178 6.2 使用Nessus掃描漏洞 180 6.3 使用OpenVAS掃描漏洞 197 6.4 其他發現方式 218 第7章 漏洞利用 223 7.1 Metasploit概述 223 7.2 查詢滲透測試模組 230 7.3 實施攻擊 239 7.4 攻擊範例 245   ……  

基於人工智慧與機器人作業系統可影像辨識自主拿取物品之服務型機器人

為了解決顯卡驅動的問題，作者劉威德 這樣論述：

隨著AI人工智慧技術的發展,機器人應用於眾多領域，人工智慧對於機器人領域的重要性不言而喻，尤其在對理解自然語言、機器學習、人工神經網絡、機器視覺等，AI人工智慧的研究中，使機器人在許多領域中廣泛的應用。而目前市售的服務型機器人均有以下的限制，如功能性單一，無法多工、影像處理技術並不完善、自然語言技術、缺乏高集成度、統一感知協調的中控系統。因此能將目前服務型機器人的缺點加以改善，定能減少家庭的負擔以及增加生活品質。本文所採用之物體辨識方法為：You only look once (YOLO)、定位精準、辨識迅速等優勢，但此方法需事先製作物體的訓練以獲得樣本參數，即可對新影像中進行特徵比對，從而

達到在未知的環近中尋找物體。執行平台使用NVIDIA JETSON AGX XAVIER作為本論文系統核心，並搭配機器人作業系統(ROS)；底盤輪子採用麥克納姆輪使機器人可做全向運動；深度攝影機採用Microsoft Xbox One Kinect V2使機器人擁有深度感知能力；並於正前方配置光學雷達(LIDAR)使用型號為YDLIDAR，協助機器人建構地圖以及室內定位；語音輸入則採用Logitech 羅技 H600 2.4G 無線耳機麥克風；移動機器人上擁有以6顆AI馬達所自製之六軸機械手臂，以利於能夠幫助使用者拿取物品。當使用者語音指令輸入且機器人成功辨識後，機器人自主導航與避障前往至使用

者所指定之目的地，到達目的地後，自主辨識使用者所指定之物品，成功辨識後，朝該物體方向前進，直到機器人手臂可拿取之範圍，即啟動六軸機械手臂拿取該物體。