免安裝應用程式的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

全格局使用PyTorch - 深度學習和圖神經網路 - 基礎篇

為了解決免安裝應用程式的問題，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 　

免安裝應用程式進入發燒排行的影片

辨識與計數物件流量之嵌入式深度學習系統

為了解決免安裝應用程式的問題，作者鄧有成 這樣論述：

本篇論文中，通過嵌入式系統(embedded system)實現深度學習(deep learning)，設計辨識與計數的系統，提出了追蹤車流以及人流的計數方案。本論文分成三部分，第一部分，通過神經運算棒加強的深度學習做目標辨識，目標物件為道路常見的交通工具，車子、以及行人，第二部分，建構了目標追蹤法，依據在視訊流的連續幀中，比較已知目標和新出現目標之間的歐氏距離，持續追蹤目標到檢測區或消失。第三部分，在螢幕上設置感興趣區，當目標的辨識及追蹤完成後，系統會根據閥值進行資料處理。本篇論文的研究貢獻如下:1. 耗費低成本且易部屬多數做深度學習運算皆仰賴運算能力較高的 CPU 以及顯示卡，嵌入式系統

售價低廉且體積小，使用免費的 Python 進行程式編譯。2. 節省人力取代人力在街頭使用計數器。3. 有效辨別目標目前道路計數方法是使用車輛通過路面下安裝的感測器，但此方法無法辨識通過目標的種類。4. 流量數據取得流量數據，整合大數據，為智慧化城市和物聯網發展作貢獻。關鍵字:目標物件辨識、目標物件追蹤、深度學習、質心追蹤法、嵌入式裝置、流量分析、神經運算棒、YOLOV3-Tiny、Open VINO。

少年Py的大冒險-成為Python AI深度學習達人的第一門課(附範例光碟)

為了解決免安裝應用程式的問題，作者蔡炎龍,林澤佑,黃瑜萍,焉然 這樣論述：

　　近年來人工智慧最主要的重心在深度學習，也是因深度學習有許多突破性的發展，而讓人工智慧有了許多以前意想不到的應用。本書承襲前作《少年 Py的大冒險：成為Python數據分析達人的第一門課》的風格，藉由輕鬆活潑的方式，從基本的原理開始，讀者可一步步跟著書中每個冒險，成為可以活用AI的深度學習達人！ 　　本書規劃三個篇章，共41種冒險。從AI的原理、怎麼思考所需的AI模型開始說明，接著介紹神經網路三大天王（DNN、CNN、RNN），並大量運用Gradio這個有趣的套件，把書中的AI模型做成網路應用程式。 　　本書也介紹了如何用Hugging Face的transforme

rs套件打造有趣的自然語言處理應用，以及使用DeepFace打造人臉辨識、情緒辨識等等。對於生成對抗網路（GAN）及強化學習也有相當詳細地說明。 本書特色 　　1.以三大篇章，共41種冒險旅程，成為可以活用AI的深度學習達人。 　　2.書中以各種有趣的範例，如：用電腦創作歌詞、使用DeepFace打造人臉辨識、情緒辨識等引發學習興趣。 　　3.書末以「股票的自動交易系統」為專題，從資料整理與程式實作兩方面做整合性的應用。 　　4.輕鬆活潑的筆調，搭配可愛的插圖，以圖解化方式加深學習印象。  

自駕車感測器訊號融合與碰撞時間偵測之研究

為了解決免安裝應用程式的問題，作者江彥霆 這樣論述：

隨著電動及智慧車輛的普及的，各式各樣的車載電子設備不斷演進，除了基本的電池、電能控制系統越來越有效率，駕駛輔助系統也不斷演化，使自動駕駛等級不斷提升，從Level 1 進步到 Level 4 逐漸往自駕車邁進。自駕車功能的實現，依賴大量不同功能感測器，光是高解析度相機一輛車可能要裝6-8 個不等，分別具備不同應用範圍及距離的功能。除此之外為提升安全性，不可避免的需安裝光達、雷達或相機，在感測器數量及種類越趨複雜情況下，感測器融合就成為自駕車識別環境最重要的一環，它將類似人類的眼睛、耳朵等效果可避開障礙物。在自動駕駛車輛與感測器結合相關論文有很多，先前文獻探討多以雷達、相機、慣性量測儀及全球定

位系統等感測器研究車輛定位或車速規劃等功能，較少利用光達及攝影機研究障礙物碰撞時間偵測，在現實世界中障礙物的場景非常複雜，如果行駛中車輛不能及時獲取與障礙物的碰撞時間，可能會發生事故。因此本論文會利用光達高精確度及測量距離長的優點，與相機感測器融合來達成車輛前方障礙物碰撞時間偵測，此研究首先利用 KITTI 公開數據集，設定所需模擬相機及光達感測器，使用感測器收集車輛前方障礙物數據，分別處理照片資料及點雲數據，針對照片資料須偵測其關鍵特徵，擷取並匹配前後照片關鍵特徵點，在照片辨識方面使用YOLO的深度學習演算法，實現可靠地識別照片中的車輛並在它們周圍放置一個界定框，對於光達資料則必須過濾並剪裁

所需部分，其後執行點雲資料分群，透過照片所鎖定的界定框及光達的分群資料，採用2D-3D傳換達成將光達與攝影機資料重疊達成融合的目地，車輛行進時系統可以鎖定前車物件界定框計算出與前車可能碰撞時間。模擬結果可顯示出結合光達及相機兩個感測器所獲得資料，即時計算出與前車碰撞時間，可完整融合相機及光達優點。