GPU 100%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

AI硬體專屬晶片：最新技術未來創新發展

為了解決GPU 100%的問題，作者張臣雄 這樣論述：

AI的進化已擺脫GPU/TPU而進入FPGA/ASIC裏了！物聯網及Humanoid時代，專屬AI晶片將打造未來世界   　　當特斯拉推出Humanoid Robot時，舉世嘩然，人形機器人將成真！當然人形機器人是不會有所謂的GPU在裏面的，相對的，針對人工智慧的專屬硬體已悄然進入我們的世界。從最初深度學習加速器的產業化，到以神經形態計算為基礎的類腦晶片迅速發展，AI晶片在數年內獲得了巨大進步。在未來5年或更長時間內，我們期待以新型記憶體為基礎、利用記憶體內計算的深度學習AI晶片能夠產業化，同時期待類腦晶片逐漸取代深度學習AI晶片。10～20年後AI晶片的形態：除了比現在強大得多

的性能、極低的功耗外，它將不是現在這樣硬邦邦的一塊晶圓，而可能是可彎曲、可折疊甚至全透明的薄片，可以隨時隨選列印，可以植入人類體內，甚至可能是一種用蛋白質實現或依照DNA計算、量子計算原理設計的AI晶片。使用GPU/TPU做深度學習早已落伍，本書將帶你進入全新的AI世界，讓你一窺未來20年的巨大革命。 　　本書技術內容 　　●深度學習AI晶片 　　●神經形態計算和類腦晶片 　　●近似計算、隨機計算和可逆計算等數學運算 　　●自然計算和仿生計算 　　●元學習與元推理 　　●有機計算和自進化AI晶片 　　●量子場論、規範場論與球形曲面卷積 　　●

重整化群與深度學習 　　●超材料與電磁波深度神經網路 　　●量子機器學習與量子神經網路   本書特色   　　●市面上第一本AI晶片詳解專書 　　●500強企業首席科學家多年研究心血和前瞻未來的傾心總結 　　●1超3強，世界頂級技術公司爭先恐後大力投入AI晶片，看見未來趨勢 　　●超過200張豐富的圖表、表格，佐以深入紮實的講解，知識含金量大上升 　　●讓你洞察5年、10年後的AI理論、技術，以及產業趨勢   專家推薦   　　This is a timely, comprehensive, and visionary book on AI

Chips such as deep learning and neuromorphic computing Chips. In spite of many revolutionary and cutting-edge advances, in both theory and hardware, that made such AI chips possible, the author has succeeded to impart the essence of the essential recent advances, in pedagogical terms, for the lay r

eader to understand, and appreciate. 　　This book is essential reading for anyone interested in learning how AI Chips is spearheading the next industrial revolution.——Leon O. Chua   　　這是一本關於深度學習和神經形態計算等類別AI 晶片的及時、全面而富有遠見的書。儘管使AI 晶片成為可能的革命性前沿進展在理論和硬體方面都層出不窮，作者還是成功地以循循善誘的口吻分享了最新進展的精髓，讓眾多讀者能夠理解和領會

。 　　對於任何有興趣瞭解AI 晶片如何引領下一次工業革命的人來說，這本書都是必不可少的讀物。——蔡少棠（Leon O. Chua）

GPU 100%進入發燒排行的影片

平均位移法應用於可微分式架構搜索

為了解決GPU 100%的問題，作者周承翰 這樣論述：

在神經架構搜索(NAS)中，可微分式架構搜索(DARTS)是一項基於連續鬆弛網路且有效率的搜索方法，同時能在較低的搜索運算資源中實現。DARTS不僅在自動化機器學習(Auto-ML)領域中吸引了很多研究者的關注，且在近期被視為NAS領域的標竿方法之一。儘管DARTS在搜索效率上比傳統的NAS方法更佳，但DARTS在離散轉換到連續的過程卻有著搜索穩定性的問題。經過再現實驗並觀察，發現DARTS的搜索不穩定性會導致驗證階段的準確率急劇降低，為了解決此問題，此篇論文提出將平均位移(Mean-Shift)應用於DARTS上，在搜索時加入此一方法的採樣並配合搜索擾動機制。這方法在物理意義上，藉由適當的

Mean-Shift參數平滑化連續情況下搜索時的損失，來提升DARTS的搜索穩定性和驗證階段的準確率。而平均位移應用於DARTS上的收斂性，可以依據平均位移法的半徑長度等參數來做調整。最終我將此一方法驗證在諸個公開的資料集上，如：Cifar10、Cifar100、ImageNet，且在這些資料集上的準確率都達到相關方法的最佳。

騰訊遊戲開發精粹Ⅱ

為了解決GPU 100%的問題，作者騰訊遊戲 這樣論述：

《騰訊遊戲開發精粹 Ⅱ》是騰訊遊戲研發團隊不斷積累沉澱的技術結晶，是繼 2019年推出《騰訊遊戲開發精粹》後的誠意續作。本書收錄了 21 個在上線專案中得到驗證的技術方案，深入介紹了騰訊公司在遊戲開發領域的新研究成果和新技術進展，涉及人工智慧、電腦圖形、動畫和物理、用戶端架構和技術、服務端架構和技術及管線和工具等多個方向。本書適合遊戲從業者、遊戲相關專業師生及對遊戲幕後技術原理感興趣的普通玩家。 本書作者團隊來自騰訊遊戲各個部門，由數十位從事一線技術研發和前沿創新的技術專家組成。 部分Ⅰ 人工智能 第1章 基於照片的角色捏臉和個性化技術 2 1.1　遊戲

中的捏臉系統 2 1.2　基於照片的角色捏臉流程 3 1.3　自訂捏臉工具包Face Avatar 31 1.4　總結 33 第2章 強化學習在遊戲AI中的應用 34 2.1　遊戲中的智能體 34 2.2　強化學習在競速類遊戲中的應用 38 2.3　強化學習在格鬥類遊戲中的應用 45 2.4　展望與總結 55 第3章 多種機器學習方法在賽車AI中的綜合應用 61 3.1　遊戲AI簡介 61 3.2　賽車AI的常規方案 62 3.3　遺傳演算法優化賽車AI參數 63 3.4　監督學習訓練賽車AI 68 3.5　強化學習訓練賽車AI 71 3.6　總結 74 第4章 數位人級別的語音驅動面部動畫生

成 75 4.1　語音驅動數位人面部動畫專案介紹 75 4.2　問題背景與研究現狀 75 4.3　一個語音驅動高保真數位人的機器學習處理流程 79 4.4　基於深度學習語音辨識的語音驅動數位人方法 85 4.5　多情緒語音驅動數位人 91 4.6　應用 93 4.7　總結 97 部分Ⅱ 電腦圖形 第5章 即時面光源渲染 100 5.1　現狀介紹 100 5.2　理論介紹 101 5.3　實踐優化 107 5.4　總結 112 第6章 可定制的快速自動化全域光照和可見性烘焙器 113 6.1　光照烘焙簡介 113 6.2　基於Voxel的快速光線追蹤的實現 114 6.3　Volume Lig

htmap的烘焙實現 123 6.4　Visibility的烘焙、存儲與使用 128 6.5　總結 143 第7章 物質點法在動畫特效中的應用 145 7.1　物質點法簡介 145 7.2　工業界現有的物質點法模擬庫 147 7.3　物質點法在GPU上的高效實現 149 7.4　虛幻引擎中的物質點法外掛程式 155 7.5　實現效果 160 7.6　總結 161 第8章 高自由度捏臉的表情動畫複用方案 162 8.1　面部捕捉表情重定向到玩家自訂的臉 162 8.2　捏臉與表情系統概述 163 8.3　捏臉系統設計與實現 165 8.4　表情系統原理與表情捕捉技術 172 8.5　表情動畫補償

與性能優化方案 178 8.6　總結 190 部分Ⅲ 動畫和物理 第9章 多足機甲運動控制解決方案 192 9.1　機甲題材的遊戲 192 9.2　程式化運動動畫 195 9.3　表現生動化 200 9.4　地形適應 204 9.5　總結 207 第10章 物理查詢介紹及玩法應用 208 10.1　物理引擎和物理查詢 208 10.2　穿牆問題 208 10.3　物理查詢 208 10.4　射線投射查詢 209 10.5　掃掠查詢 213 10.6　重疊查詢 219 第11章 基於物理的角色翻越攀爬通用解決方案 223 11.1　應用場景介紹 223 11.2　CP系統的物理基礎 224 1

1.3　CP系統的設計思路 227 11.4　CP系統的具體實現 229 11.5　CP系統的性能優化和複雜度控制 236 11.6 遊戲的應用與優化 238 11.7　總結 239 部分Ⅳ 用戶端架構和技術 第12章 跨遊戲引擎的H5渲染解決方案 242 12.1　嵌入遊戲的H5渲染引擎介紹 242 12.2　如何快速開發遊戲周邊系統及問題 242 12.3　架構 245 12.4　渲染後端實現 251 12.5　渲染之外 269 12.6　總結 270 第13章 大世界的場景複雜度管理方案 272 13.1　遊戲裡的大世界 272 13.2　輸入部分 277 13.3　輸出部分 284

13.4　回饋控制部分 285 13.5　測試資料 290 13.6　總結 291 第14章 基於多級細節網格的場景動態載入 292 14.1　Level Streaming 292 14.2　基於多級細節網格的Level Streaming 293 14.3　將場景預處理成多級細節網格結構 295 14.4　基於多級細節網格結構的載入 298 14.5　多級細節網格的其他應用 299 14.6　總結 300 部分Ⅴ 服務端架構和技術 第15章 面向遊戲的高性能服務網格TbusppMesh 304 15.1　TbusppMesh摘要 304 15.2　TbusppMesh資料通信 305 1

5.3　TbusppMesh組網策略 309 15.4　TbusppMesh有狀態服務 315 15.5　總結 321 第16章 遊戲配置系統設計 322 16.1　遊戲配置系統概述 322 16.2　遊戲配置簡介 322 16.3　遊戲配置系統 323 16.4　配置設計與發佈 324 16.5　配置Web管理系統 328 16.6　總結 330 第17章 遊戲敏捷運營體系技術 331 17.1　遊戲運營概況 331 17.2　DataMore大資料計算體系建設 335 17.3　基礎平臺 343 17.4　總結 360 部分Ⅵ 管線和工具 第18章 從照片到模型 364 18.1　從照片到

模型概述 364 18.2　拍攝和預處理 366 18.3　模型生成和處理 374 18.4　去光照 378 18.5　結果展示 384 18.6 總結 385 第19章 一種可定制的Lua代碼編輯檢測工具 387 19.1　LuaHelper簡介 387 19.2　研究現狀 388 19.3　實現原理 388 19.4　相關理論 392 19.5　代碼檢測 402 19.6　注解功能 407 19.7　總結 416 第20章 安卓平臺非託管內存分析方案 417 20.1　內存問題 417 20.2　解決方案 419 20.3　適配遊戲引擎 422 20.4　性能表現 425 第21章 過程化

河流生成方法研究與應用 427 21.1　過程化挑戰 428 21.2　Houdini / Houdini Engine簡介 428 21.3　河流組成及視覺要素 429 21.4　河流生成 429 21.5　材質 449 21.6　工作流程 452 21.7　總結 455  

整合式邊緣AI運算平台之封裝基板ID辨識

為了解決GPU 100%的問題，作者蔡政達 這樣論述：

摘要 IASBTRACT II致謝 IV目錄 V表目錄 VIII圖目錄 IX一、 緒論 11.2 研究動機 11.2 研究目標 2二、 文獻探討 32.1 工業人工智慧 32.1 EDGE AI 42.3 人工智慧、機器學習、深度學習 52.3.1 深度學習如何運作 62.4 電腦視覺與深度學習 82.4.1 卷積神經網路CNN的特性 92.5 物件偵測 102.5.1 OBJECT DETECTION模型的架構 102.5.2 YOLOV4 模型的架構 11三、 系統硬體架構及軟體開發環境建置 123.1系統硬體架構 123.1.1 樹莓派

4(RASPBERRY PI 4) 123.1.2 電子顯微鏡 143.1.3 HDMI TO CSI-2 MODULE 153.1.4 安裝電子顯微鏡於樹莓派並進行測試 153.1.4.1 安裝HDMI to CSI-2 Module於樹莓派 153.1.4.2 啟動樹莓派的相機模組 173.1.4.3 使用樹莓派終端機測試取的電子顯微鏡影像 183.2軟體開發環境&系統流程圖 193.2.1 PYTHON 程式語言 193.2.2 OPENCV 193.2.3 安裝RASPBERRY PI OS 至MICRO-SD卡 203.2.3.1下載及安裝專屬工具：Raspbe

rry Pi Imager 203.2.4 在樹莓派安裝OPENCV 233.2.4 在PC端建置PYTHON虛擬環境並安裝相關套件 253.2.5 建立標記工具及使用 253.2.5.1 安裝標記工具 263.2.5.2 使用標記工具 263.2.5.3 VOC格式轉換成Yolo格式 273.2.6 WIN10 SERVER(GPU) & DARKNET YOLOV4環境建置 283.2.6.1 前置準備安裝相關軟體及模組 293.2.6.2在Windows編譯Darknet 443.2.7 專案開發軟體系統流程 563.2.7.1 軟體系統流程圖_物件偵測＋文字辨識(

1類別) 563.2.7.2 軟體系統流程圖_物件偵測＋文字辨識(36類別) 583.2.7.3教練模型與專用模型運作循環 59四、 實驗操作及結果 604.1 整合實驗平台說明 604.2 訓練資料收集 614.3 訓練資料清洗(轉換) 634.4 訓練資料標註 644.4.1 以人工方式標記訓練資料 644.4.2 以自動標註程式標記訓練資料 654.4.3 使用VOC轉換成YOLO格式之程式 664.4.4 DATE AUGMENTATION 664.4.5 訓練圖片及標註資料彙整 674.5 建立訓練組態資料結構 684.5.1組態資料結構說明 684.

5.2 自動化生成組態資料結構程式使用說明 704.6 訓練模型 724.6.1 DARKNET訓練模型語法說明 724.6.2 TINY模型網路架構選用說明 734.6.3訓練模型評估指標說明 754.6.4 訓練模型結果說明 784.7 部署測試(推論) 824.7.1 將模型權重打包封裝成推論用程式 824.7.2 將推論程式部署到邊緣運算平台 844.7.3 推論驗證及辨識結果 85五、 研究結論與建議 985.1 結論 985.2 未來工作 99六、 參考文獻 100