nvidia驅動版本的問題，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

簡明的TensorFlow 2

為了解決nvidia驅動版本的問題，作者李錫涵 這樣論述：

本書圍繞 TensorFlow 2 的概念和功能展開介紹，旨在以“即時執行”視角説明讀者快速入門 TensorFlow。   本書共分5篇：基礎篇首先介紹了 TensorFlow的安裝配置和基本概念，然後以深度學習中常用的卷積神經網路、迴圈神經網路等網路結構為例，介紹了使用 TensorFlow建立和訓練模型的方式，最後介紹了 TensorFlow中常用模組的使用方法；部署篇介紹了在伺服器、嵌入式設備和流覽器等平臺部署 TensorFlow模型的方法；大規模訓練篇介紹了在 TensorFlow中進行分散式訓練和使用 TPU 訓練的方法；擴展篇介紹了多種 TensorFlow 生態系統內的常用及

前沿工具；高級篇則為進階開發者介紹了 TensorFlow程式開發的更多深入細節及技巧。 李錫涵，谷歌開發者專家（機器學習領域），北京大學資訊科學技術學院智慧科學系理學碩士，本科畢業于浙江大學竺可楨學院混合班。曾獲全國青少年資訊學奧林匹克聯賽一等獎，美國大學生數學建模競賽特等獎。曾在多智慧體會議AAMAS和自然語言處理會議COLING上發表學術論文。現研究方向為強化學習在優化領域的實際應用，即將赴倫敦大學學院攻讀電腦博士學位。開源線上入門手冊《簡單粗暴TensorFlow 2》作者。本書封面插圖作者。 李卓桓，谷歌開發者專家（機器學習領域）。清華大學本科，中歐國際工商學院

EMBA，北京郵電大學電腦博士在讀。現任PreAngel合夥人，Plug and Play Ventures Partner，關注種子期AI創業專案。zixia BBS、嘰歪網創始人，曾任優酷網首席科學家、水木清華BBS站長、ChinaRen系統工程師。擁有豐富的互聯網創業投資和程式設計經驗，著有《Linux網路程式設計》《反垃圾郵件完全手冊》《智慧問答與深度學習》《Chatbot從0到1：對話式交互設計實踐指南》等技術書。GitHub 8000+ Star 開源項目 Wechaty 作者。 朱金鵬，華為高級軟體工程師，前谷歌開發者專家（機器學習領域），從事Android系統和運行時設計開發

9年，在Android系統、運行時、機器學習等領域都有較深入的研究和探索。積極參與谷歌技術社區活動並進行技術分享。歡迎關注作者的微信公眾號deepinthinking。 第0章 TensorFlow 概述　1 基礎篇 第1章 TensorFlow 的安裝與環境配置　4 1．1　一般安裝步驟　4 1．2　GPU 版本 TensorFlow 安裝指南　6 1．2．1　GPU 硬體的準備　6 1．2．2　NVIDIA 驅動程式的安裝　6 1．2．3　CUDA Toolkit 和 cuDNN 的安裝　8 1．3　第 一個程式　8 1．4　IDE 設置　9 1．5　TensorFl

ow 所需的硬體設定　10 第2章 TensorFlow 基礎　12 2．1　TensorFlow 1+1　12 2．2　自動求導機制　14 2．3　基礎示例：線性回歸　15 2．3．1　NumPy 下的線性回歸　16 2．3．2　TensorFlow 下的線性回歸　17 第3章 TensorFlow 模型建立與訓練　19 3．1　模型與層　19 3．2　基礎示例：多層感知器（MLP）　22 3．2．1　資料獲取及預處理：tf．keras．datasets　23 3．2．2　模型的構建：tf．keras．Model 和 tf．keras．layers　24 3．2．3　模型的訓練：tf．ker

as．losses 和 tf．keras．optimizer　25 3．2．4　模型的評估：tf．keras．metrics　26 3．3　卷積神經網路（CNN）　28 3．3．1　使用 Keras 實現卷積神經網路　29 3．3．2　使用 Keras 中預定義的經典卷積神經網路結構　30 3．4　迴圈神經網路（RNN）　35 3．5　深度強化學習（DRL）　40 3．6　Keras Pipeline　43 3．6．1　Keras Sequential/Functional API 模式建立模　44 3．6．2　使用 Keras Model 的 compile、fit 和 evaluate 方

法訓練和評估模型　44 3．7　自訂層、損失函數和評估指標　45 3．7．1　自訂層　45 3．7．2　自訂損失函數和評估指標　46 第4章 TensorFlow 常用模組　48 4．1　tf．train．Checkpoint：變數的保存與恢復　48 4．2　TensorBoard：訓練過程視覺化　52 4．2．1　即時查看參數變化情況　52 4．2．2　查看 Graph 和 Profile 信息　53 4．2．3　實例：查看多層感知器模型的訓練情況　55 4．3　tf．data：資料集的構建與預處理　55 4．3．1　資料集物件的建立　55 4．3．2　資料集對象的預處理　57 4．3．3　

使用 tf．data 的並行化策略提高訓練流程效率　60 4．3．4　資料集元素的獲取與使用　61 4．3．5　實例：cats_vs_dogs 圖像分類　62 4．4　TFRecord：TensorFlow 資料集存儲格式　64 4．4．1　將資料集存儲為 TFRecord 檔　65 4．4．2　讀取 TFRecord 文件　66 4．5　@tf．function：圖執行模式　68 4．5．1　@tf．function 基礎使用方法　68 4．5．2　@tf．function 內在機制　69 4．5．3　AutoGraph：將 Python 控制流轉換為 TensorFlow 計算圖　72 4

．5．4　使用傳統的 tf．Session　73 4．6　tf．TensorArray：TensorFlow 動態陣列　74 4．7　tf．config：GPU 的使用與分配　75 4．7．1　指定當前程式使用的 GPU　75 4．7．2　設置顯存使用策略　76 4．7．3　單 GPU 模擬多 GPU 環境　77 部署篇 第5章 TensorFlow 模型匯出　80 5．1　使用 SavedModel 完整匯出模型　80 5．2　Keras 自有的模型匯出格式　82 第6章 TensorFlow Serving　84 6．1　TensorFlow Serving 安裝　84 6．2　Tens

orFlow Serving 模型部署　85 6．2．1　Keras Sequential 模式模型的部署　86 6．2．2　自訂 Keras 模型的部署　86 6．3　在用戶端調用以 TensorFlow Serving 部署的模型　87 6．3．1　Python 用戶端示例　87 6．3．2　Node．js 用戶端示例（Ziyang）　88 第7章 TensorFlow Lite　91 7．1　模型轉換　91 7．2　Android 部署　92 7．3　Quantized 模型轉換　96 7．4　總結　100 第8章 TensorFlow．js　101 8．1　TensorFlow．js

環境配置　102 8．1．1　在流覽器中使用 TensorFlow．js　102 8．1．2　在 Node．js 中使用 TensorFlow．js　103 8．1．3　在微信小程式中使用 TensorFlow．js　104 8．2　ensorFlow．js 模型部署　105 8．2．1　在流覽器中載入 Python 模型　105 8．2．2　在 Node．js 中執行原生 SavedModel 模型　106 8．2．3　使用 TensorFlow．js 模型庫　107 8．2．4　在流覽器中使用 MobileNet 進行攝像頭物體識別　107 8．3　TensorFlow．js 模型訓練與性

能對比　110 大規模訓練篇 第9章 TensorFlow 分散式訓練　116 9．1　單機多卡訓練：MirroredStrategy　116 9．2　多機訓練：MultiWorkerMirrored-Strategy　118 第　10 章 使用 TPU 訓練 TensorFlow 模型　120 10．1　TPU 簡介　120 10．2　TPU 環境配置　122 10．3　TPU 基本用法　123 擴展篇 第11 章 TensorFlow Hub 模型複用　126 11．1　TF Hub 網站　126 11．2　TF Hub 安裝與複用　127 11．3　TF Hub 模型二次訓練樣例　1

30 第12章 TensorFlow Datasets 資料集載入　131 第13章 Swift for TensorFlow　133 13．1　S4TF 環境配置　133 13．2　S4TF 基礎使用　134 13．2．1　在 Swift 中使用標準的 TensorFlow API　135 13．2．2　在 Swift 中直接載入 Python 語言庫　136 13．2．3　語言原生支援自動微分　136 13．2．4　MNIST 數字分類　137 第14 章 TensorFlow Quantum： 混合量子 - 經典機器學習　140 14．1　量子計算基本概念　141 14．1．1　量子位　

141 14．1．2　量子邏輯門　142 14．1．3　量子線路　143 14．1．4　實例：使用 Cirq 建立簡單的量子線路　144 14．2　混合量子 - 經典機器學習　144 14．2．1　量子資料集與帶參數的量子門　145 14．2．2　參數化的量子線路（PQC）　146 14．2．3　將參數化的量子線路嵌入機器學習模型　146 14．2．4　實例：對量子資料集進行二分類　147 高 級 篇 第15章 圖執行模式下的 TensorFlow 2　150 15．1　TensorFlow 1+1　150 15．1．1　使用計算圖進行基本運算　150 15．1．2　計算圖中的預留位置與資料

登錄　152 15．1．3　計算圖中的變數　153 15．2　自動求導機制與優化器　156 15．2．1　自動求導機制　156 15．2．2　優化器　157 15．2．3　自動求導機制的計算圖對比　158 15．3　基礎示例：線性回歸　161 15．3．1　自動求導機制　162 15．3．2　優化器　162 第16章 tf．GradientTape 詳解　164 16．1　基本使用　164 16．2　監視機制　165 16．3　高階求導　166 16．4　持久保持記錄與多次求導　166 16．5　圖執行模式　167 16．6　性能優化　167 16．7　實例：對神經網路的各層變數獨立求導　16

7 第17章 TensorFlow 性能優化　169 17．1　關於計算性能的若干重要事實　169 17．2　模型開發：擁抱張量運算　170 17．3　模型訓練：數據預處理和預載入　171 17．4　模型類型與加速潛力的關係　171 17．5　使用針對特定 CPU 指令集優化的 TensorFlow　172 17．6　性能優化策略　172 第18章 Android 端側 Arbitrary Style Transfer 模型部署　173 18．1　Arbitrary Style Transfer 模型解析　174 18．1．1　輸入輸出　174 18．1．2　bottleneck 陣列　174

18．2　Arbitrary Style Transfer 模型部署　175 18．2．1　gradle 設置　175 18．2．2　style predict 模型部署　175 18．2．3　transform 模型部署　178 18．2．4　效果　180 18．3　總結　182 附錄　A 強化學習簡介　183 附錄　B 使用 Docker 部署 TensorFlow 環境　197 附錄　C 在雲端使用 TensorFlow　200 附錄　D 部署自己的互動式 Python 開發環境 JupyterLab　211 附錄　E 參考資料與推薦閱讀　214 附錄　F 術語中英對照　216

nvidia驅動版本進入發燒排行的影片

輕型軌道智慧型割草機器人之開發與製作

為了解決nvidia驅動版本的問題，作者陳琮竣 這樣論述：

本研究主要針對輕軌軌道(埋置式軌道)上進行割草的智慧型自動割草機進行研究與開發。高雄輕軌是台灣第一座輕軌系統，其環狀的輕軌系統使得它的全長達到 22.1 公里，其軌道上有著許多的草皮植被。其中因為複雜的設施結構與感測器的設置，因此在草皮的維護上保持著使用人工手持式割草機進行割草維護，在植被快速生長的夏日時期維護草皮的人力與時間成本將大幅提高，為了協助高雄輕軌捷運局解決此問題，我們準備設計與製造一款可在輕軌軌道運行並符合高雄輕軌捷運局需求的智慧型自動割草機。首先為了可以順利在輕軌軌道運行，我們設計了能在路面與軌道行走的兩用輪具，我們結合一般路面用的橡膠輪與能嵌入軌道的特殊形狀導輪，其特殊的複合

式設計可以適用於槽式鐵軌軌道，具有軌道與路面行進的功能，設計出符合輕軌標準軌軌道運行的載具結構設計，一體式的兩用輪具設計可以減輕裝置重量與提升使用方便性。割草機構的設計部分使用三組割草刀具來覆蓋所需的軌道割草區域，除了整合複數切割刀具組的控制，也對切割刀具組做可開闔式設計以增加其維護與更換刀具的便利性。目前此智慧型自動割草機更導入具遠端監控、定位系統、影像擷取與 AI 視覺辨識系統的技術，使其達到智慧自動割草的功能。在完成此智慧型自動割草機的製作後至高雄輕軌公司進行二次實地軌道上的割草測試，並對其進行後續改良與其智慧型自動功能的更新。

精通OpenCV 3

為了解決nvidia驅動版本的問題，作者DanielLélisBaggio,ShervinEmami,DavidMillánEscrivá,KhvedcheniaIev 這樣論述：

　　大數據分析是許多傳統產業的主要驅動力，例如：金融、醫療和能源等等。視覺資料分析（Visual data analysis）和電腦視覺（Computer Vision）則是這場資料革命的一部分。近年來，它們的發展漸趨成熟，在自主導航、遊戲和製造業等領域，創造了許多新穎又令人振奮的應用程式。 　　本書將帶領讀者建立強大且獨特的電腦視覺應用程式。每一章將從一個專案展開，並深入OpenCV的某個重要面向，例如：人臉辨識、圖像目標追蹤、3D重建框架和機器學習等等。讀者將學會如何使用深度類神經網路，並將AI加進應用程式之中。 　　本書的專案將幫助讀者學習建立各種可運作的prot

otype，並熟悉各種OpenCV 3的新功能。 　　你能夠從本書學習到： 　　・執行基本的影像處理操作，並將圖像卡通化 　　・原生地建置OpenCV專案，並為樹莓派進行交叉編譯，建立強大的微尺度偵測器 　　・使用OpenCV 3新的運動恢復結構功能，從靜止的相機圖像中重建3D幾何 　　・建立圖形識別演算法，並預測圖像是否包含汽車車牌 　　・使用POSIT進行6自由度頭部姿態估計 　　・使用深度卷積類神經網路建立人臉辨識演算法  

整合機器人作業系統與人工智慧可自主操作電梯並跨樓層移動之服務型機器人

為了解決nvidia驅動版本的問題，作者蔡昀庭 這樣論述：

在現代的生活中，居住於高樓大廈已是常態，目前在大樓中上下通行的方式，不外乎為樓梯與電梯兩種，而在較多樓層的大廈中，大多數居民的通行方式皆以電梯為主。在這樣的多樓層環境下，傳統的服務型機器人有以下限制，移動範圍僅被限制於單一樓層，無法自主移動到其他樓層，並進行多樓層服務。以目前市面上的飯店服務型機器人進行分析，有以下的限制，飯店服務型機器人在搭乘電梯進行多樓層移動時，大多是透過WiFi或是藍芽等無線傳輸方式溝通，而為了以無線通訊的方式操作電梯，電梯系統需要重新建置，但重新建置需要考慮到成本以及安全問題。為了解決此問題，我們運用人工智慧影像辨識與機器人作業系統，開發了能自主操作電梯並可全自動於多

樓層間移動的服務型機器人，藉以解決此問題。本文所採用之物體辨識方法為： YOLOv4，而在實驗部分有使用YOLOv3以及YOLOv4進行測試，YOLOv3定位精準、辨識迅速等優勢，而YOLOv4更改了網路架構，使辨識準確度與速度皆有大幅度的提升，而這兩種方法都需事先製作物體標記的訓練樣本，並進行訓練，透過訓練過的模型即可對新影像進行特徵比對與辨識，以達到在未知的環境中尋找物體。移動機器人的執行平台使用Nvidia Jetson AGX Xavier作為系統核心，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RealSense D435i使機器人擁有深

度感知能力，並於移動機器人正前方配置光學雷達YDLIDAR，協助機器人建構地圖以及室內定位。移動機器人配置以6顆AI馬達所自製之六軸機械手臂，並將夾爪部分設計為多用途以利移動機器人能夠操作電梯介面、按多類型按鈕與取物。當機器人成功接收運送指令後，機器人自主導航與避障前往至指定電梯前，到達目的地後，自主辨識與操作電梯介面，成功操作電梯介面後，移動機器人自主進出電梯。此一研究成果可改善服務型機器人多樓層移動能力，並有潛力可運用於大樓管理、送餐、清潔服務、送貨到府等領域。