Google Vision AI的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

Low-Power Computer Vision: Improve the Efficiency of Artificial Intelligence

為了解決Google Vision AI的問題，作者 這樣論述：

George K. Thiruvathukal is a professor of Computer Science at Loyola University Chicago, Illinois, USA. He is also a visiting faculty at Argonne National Laboratory. His research areas include high performance and distributed computing, softwareengineering, and programming languages.Yung-Hsiang Lu i

s a professor of Electrical and Computer Engineering at Purdue University, Indiana, USA. He is the first director of Purdue’s John Martinson Engineering Entrepreneurial Center. He is a fellow of the IEEE and distinguished scientist of the ACM. His research interests include computer vision, mobile s

ystems, and cloud computing.Jaeyoun Kim is a technical program manager at Google, California, USA. He leads AI research projects, including MobileNets and TensorFlow Model Garden, to build state-of-the-art machine learning models and modeling libraries for computer vision and natural language proces

sing.Yiran Chen is a professor of Electrical and Computer Engineering at Duke University, North Carolina, USA. He is a fellow of the ACM and the IEEE. His research areas include new memory and storage systems, machine learning and neuromorphiccomputing, and mobile computing systems.Bo Chen is the Di

rector of AutoML at DJI, Guangdong, China. Before joining DJI, he was a researcher at Google, California, USA. His research interests are the optimization of neural network software and hardware as well as landing AI technology in products with stringent resource constraints.

Google Vision AI進入發燒排行的影片

應用於物件偵測與關鍵字辨識之強健記憶體內運算設計

為了解決Google Vision AI的問題，作者江宇翔 這樣論述：

近年來，由於不同的應用都能夠藉由和深度學習的結合而達到更好的結果，像是物件偵測、自然語言處理以及圖像辨識，深度學習在終端設備上的發展越來越廣泛。為了應付深度學習模型的龐大資料搬移量，記憶體內運算的技術也在近年來蓬勃發展，不同於傳統的范紐曼架構，記憶體內運算使用類比域的計算使儲存設備也同樣具備運算的能力。儘管記憶體內運算具有降低資料搬移量的優點，比起純數位的設計，在類比域進行計算容易受到非理想效應的影響，包括元件本身或是周邊電路的誤差，這會造成模型災難性的失敗。此篇論文在兩種不同的應用領域針對記憶體內運算進行強健的模型設計及硬體實現。在電阻式記憶體內運算的物件偵測應用當中，我們將重點放在改善模

型對於非理想效應的容忍度。首先，為了降低元件誤差的影響，我們將原本的二值化權重網路改變為三值化權重網路以提高電阻式記憶體中高阻態元件的數量，同時能夠直接使用正權重及負權重位元線上的電流值進行比較而不使用參考位元線作為基準。其次，為了避免使用高精度的正規化偏差值以及所導致的大量低阻態元件佈署，我們選擇將網路中的批次正規化層移除。最後，我們將運算從分次的電流累加運算改為一次性的運算，這能夠將電路中非線性的影響降到最低同時避免使用類比域的累加器。相較於之前的模型會受到這些非理想效應的嚴重影響導致模型無法運作，我們在考慮完整的元件特性誤差，周邊電路誤差以及硬體限制之下，於IVS 3cls中做測試，能夠

將平均精確度下降控制在7.06\%，在重新訓練模型後能更進一步將平均精確度下降的值降低到3.85\%。在靜態隨機存取記憶體內運算的關鍵字辨識應用當中，雖然非理想效應的影響相對較小，但是仍然需要針對周邊電路的誤差進行偏壓佈署補償，在經過補償及微調訓練後，在Google Speech Command Dataset上能夠將準確率下降控制在1.07\%。另外，由於語音訊號會因為不同使用者的資料而有大量的差異，我們提出了在終端設備上進行模型的個人化訓練以提高模型在小部分使用者的準確率，在終端設備的模型訓練需要考量到硬體精度的問題，我們針對這些問題進行誤差縮放和小梯度累積以達到和理想的模型訓練相當的結果

。在後佈局模擬的結果中，這個設計在推論方面相較於現有的成果能夠有更高的能源效率，達到68TOPS/W，同時也因為模型個人化的功能而有更廣泛的應用。

Knock Knock!Deep Learning：新手入門深度學習的敲門磚(iT邦幫忙鐵人賽系列書)

為了解決Google Vision AI的問題，作者廖珮妤 這樣論述：

　　本書內容改編自第12屆iT邦幫忙鐵人賽AI & Data組冠軍系列文章《Knock Knock！Deep Learning》，是專為深度學習初學者所規劃的內容，旨在以淺顯易懂的文字，帶領深度學習領域的新手度過入門撞牆期。內容從深度學習的基本理論開始，並以PyTorch框架的介紹過渡至應用篇，最後以自然語言處理、電腦視覺與強化學習等三大領域的經典論文與實作專案收尾，循序漸進且去蕪存菁。本書會帶入許多故事性的敘述和插圖，結合作者自身在史丹佛大學修讀碩士期間的學習心得，以及深度學習發展相關的故事，期使本書讀起來不會如教科書一樣厚重，亦不會像網路上的技術文章一般零散無脈

絡，讓讀者對深度學習領域的發展有一定的概念。 　　【內容重點】 　　✪了解深度學習的基礎理論以及必備的實作知識與工具 　　內容從人類的神經網路開始，介紹深度學習與其相似之處，並理解神經網路的學習步驟，同時也介紹一些必備的實作知識與工具，以具備基本的實作工程技能。 　　✪入門深度學習框架PyTorch 　　內容介紹語法簡潔、好上手且在學術界流行的PyTorch框架，著重實作與應用。 　　✪深度學習×自然語言處理×電腦視覺×強化學習 　　內容會依序談到深度學習在三方面的應用，如自然語言處理（Natural Language Processing，NLP )、電腦視覺（Computer Vis

ion，CV )、強化學習（Reinforcement Learning，RL )。除了基本簡介外，還會介紹一些基本實作和改變世界的技術成果。 　　【適用讀者】 　　✪對深度學習有興趣，但還不知道它是什麼、能做什麼的新手。 　　✪零散讀過深度學習相關文章，但仍有知識缺口的入門者。 　　✪被教科書中龐大的數學理論嚇到，而對深度學習卻步的讀者。 　　✪正在上學校的深度學習課程，但不知道實作從何開始的學生。 本書特色 　　最貼近新手的深度學習理論及應用全方位入門書！ 　　✪學習必備理論，打好基礎，新手不怕被過多的數學式嚇跑。 　　✪使用PyTorch直覺易懂且強大的深度學習框架，開始應用的第一

步。 　　✪了解自然語言處理、電腦視覺與強化學習等三大領域經典應用與實作，領略深度學習的強大。 　　✪兼顧理論與實作，而非偏頗一方，培養讀者較全面的理解。 　　✪包含經典學術論文與知名專案技術講解，幫助讀者掌握此技術所能到達的高度。 　　✪每章末提供自我檢驗題目，幫助理解與統整各章概念。  

利用類神經網路調整無人搬運車移動參數

為了解決Google Vision AI的問題，作者吳信昌 這樣論述：

對一輛新引進工廠的自動導引搬運車，其各種轉彎情況的馬達控制參數必須先設定，而目前主要是以嘗試錯誤的方式反覆調整參數的方式來得到最佳值，需要耗費許多人工的時間和精力。本文設計一個類神經網路來自動設定無人搬運車在不同轉彎條件下的馬達控制參數。設計完成的類神經網路為3輸入節點、3輸出節點、2層隱藏層且每層各有20個神經元的結構。輸入層的3個節點分別為無人搬運車的直線速率、加速度及轉彎角度，輸出層的3個節點分別為轉彎後無人搬運車中心點之x軸座標、y軸座標及實際轉彎角度。數值模擬顯示類神經網路的預測準確率達到90％以上。在無人搬運車的實際測試結果，位置誤差及角度誤差都保持在合理的範圍內。