Apex輔助的問題，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

深入淺出PyTorch：從模型到源碼

為了解決Apex輔助的問題，作者張校捷 這樣論述：

本書從機器學習和深度學習的基礎概念入手，由淺到深地詳細介紹了PyTorch深度學習框架的知識，主要包含深度學習的基礎知識，如神經網路的優化演算法、 神經網路的模組等；同時也包含了深度學習的進階知識，如使用 PyTorch構建複雜的深度學習模型，以及前沿的深度學習模型的介紹等。另外，為了加深讀者對 PyTorch深度學習框架的理解和掌握，本書還介紹了PyTorch的原始程式碼結構，包括該框架的Python語言前端和C++語言後端的原始程式碼結構。 作為一本面向初中級讀者的技術類圖書，本書既可以作為深度學習框架 PyTorch 入門的參考書籍，也可以作為PyTorch深度學習框架的結構和原始程式

碼的閱讀指南使用。   張校捷，英偉達（NVIDIA）資深深度學習架構工程師，負責基於CUDA的深度學習框架的優化。目前主要使用的技術棧是作為深度學習框架後端的 C/C++/CUDA，以及深度學習框架前端的Python，對主流的深度學習框架如PyTorch和TensorFlow比較熟悉，並精通其在電腦視 覺（CV）和自然語言處理（NLP）方面的具體應用。作者多次作為專題演講嘉賓，受邀參加CSDN主辦的技術大會。 第1章 深度學習概念簡介 1 1．1 深度學習的歷史 1 1．1．1 深度學習的發展過程 1 1．1．2 深度學習在電腦視覺領域的發展 3 1．

1．3 深度學習在自然語言處理和其他領域的發展 6 1．2 機器學習基本概念 7 1．2．1 機器學習的主要任務 8 1．2．2 機器模型的類型 9 1．2．3 損失函數以及模型的擬合 11 1．3 深度學習基本概念 14 1．3．1 向量、矩陣和張量及其運算 15 1．3．2 張量的存儲 19 1．3．3 神經元的概念 19 1．4 輸入資料的表示方式 20 1．4．1 圖像資料的表示方式 20 1．4．2 文本資料的表示方式 22 1．4．3 音訊資料的表示方式 23 1．5 線性變換和啟動函數 26 1．5．1 全連接線性變換 26 1．5．2 卷積線性變換 28 1．5．3 啟動函數

29 1．6 鏈式求導法則和反向傳播 32 1．6．1 基於鏈式求導的梯度計算 32 1．6．2 啟動函數的導數 34 1．6．3 數值梯度 36 1．7 損失函數和優化器 37 1．7．1 常用的損失函數 37 1．7．2 基於梯度的優化器 38 1．7．3 學習率衰減和權重衰減 42 1．8 本章總結 43 第2章 PyTorch深度學習框架簡介 44 2．1 深度學習框架簡介 44 2．1．1 深度學習框架中的張量 44 2．1．2 深度學習框架中的計算圖 45 2．1．3 深度學習框架中的自動求導和反向傳播 46 2．2 PyTorch框架歷史和特性更迭 47 2．3 PyTorch

的安裝過程 49 2．4 PyTorch包的結構 52 2．4．1 PyTorch的主要模組 52 2．4．2 PyTorch的輔助工具模組 57 2．5 PyTorch中張量的創建和維度的操作 59 2．5．1 張量的資料類型 59 2．5．2 張量的創建方式 61 2．5．3 張量的存放裝置 65 2．5．4 和張量維度相關的方法 66 2．5．5 張量的索引和切片 69 2．6 PyTorch中張量的運算 70 2．6．1 涉及單個張量的函數運算 70 2．6．2 涉及多個張量的函數運算 72 2．6．3 張量的極值和排序 73 2．6．4 矩陣的乘法和張量的縮並 75 2．6．5 張量

的拼接和分割 77 2．6．6 張量維度的擴增和壓縮 79 2．6．7 張量的廣播 80 2．7 PyTorch中的模組簡介 82 2．7．1 PyTorch中的模組類 82 2．7．2 基於模組類的簡單線性回歸類 82 2．7．3 線性回歸類的產生實體和方法調用 84 2．8 PyTorch的計算圖和自動求導機制 87 2．8．1 自動求導機制簡介 87 2．8．2 自動求導機制實例 88 2．8．3 梯度函數的使用 89 2．8．4 計算圖生成的控制 89 2．9 PyTorch的損失函數和優化器 90 2．9．1 損失函數 90 2．9．2 優化器 92 2．10 PyTorch中資料的

輸入和預處理 96 2．10．1 數據載入類 96 2．10．2 映射類型的資料集 97 2．10．3 torchvision工具包的使用 97 2．10．4 可反覆運算類型的資料集 100 2．11 PyTorch模型的保存和載入 101 2．11．1 模組和張量的序列化及反序列化 101 2．11．2 模組狀態字典的保存和載入 104 2．12 PyTorch數據的視覺化 105 2．12．1 TensorBoard的安裝和使用 105 2．12．2 TensorBoard常用的視覺化資料類型 108 2．13 PyTorch模型的並行化 110 2．13．1 PyTorch的資料並行化

111 2．13．1 PyTorch的分散式資料並行化 112 2．14 本章總結 116 第3章 PyTorch電腦視覺模組 119 3．1 電腦視覺基本概念 119 3．1．1 電腦視覺任務簡介 119 3．1．2 基礎圖像變換操作 120 3．1．3 圖像特徵提取 123 3．1．4 濾波器的概念 125 3．2 線性層 126 3．3 卷積層 128 3．4 歸一化層 137 3．5 池化層 144 3．6 丟棄層 149 3．7 模組的組合 151 3．8 特徵提取 153 3．9 模型初始化 157 3．10 常見模型結構 160 3．10．1 InceptionNet的結構 1

61 3．10．2 ResNet的結構 164 3．11 本章總結 167 第4章 PyTorch機器視覺案例 169 4．1 常見電腦視覺任務和資料集 169 4．1．1 圖像分類任務簡介 169 4．1．2 目標檢測任務簡介 170 4．1．3 圖像分割任務簡介 171 4．1．4 圖像生成任務簡介 172 4．1．5 常用深度學習公開資料集 173 4．2 手寫數位識別：LeNet 176 4．2．1 深度學習工程的結構 176 4．2．2 MNIST資料集的準備 177 4．2．3 LeNet網路的搭建 179 4．2．4 LeNet網路的訓練和測試 182 4．2．5 超參數的修改

和argparse庫的使用 185 4．3 圖像分類：ResNet和InceptionNet 187 4．3．1 ImageNet資料集的使用 187 4．3．2 ResNet網路的搭建 189 4．3．3 InceptionNet網路的搭建 194 4．4 目標檢測：SSD 204 4．4．1 SSD的骨架網路結構 204 4．4．2 SSD的特徵提取網路結構 205 4．4．3 錨點框和選框預測 210 4．4．4 輸入資料的預處理 214 4．4．5 損失函數的計算 216 4．4．6 模型的預測和非極大抑制演算法 218 4．5 圖像分割：FCN和U-Net 219 4．5．1 FCN

網路結構 220 4．5．2 U-Net網路結構 225 4．6 圖像風格遷移 229 4．6．1 圖像風格遷移演算法介紹 229 4．6．2 輸入圖像的特徵提取 231 4．6．3 輸入圖像的優化 234 4．7 生成模型：VAE和GAN 236 4．7．1 變分自編碼器介紹 237 4．7．2 變分自編碼器的實現 239 4．7．3 生成對抗網路介紹 242 4．7．4 生成對抗網路的實現 244 4．8 本章總結 249 第5章 PyTorch自然語言處理模組 251 5．1 自然語言處理基本概念 251 5．1．1 機器翻譯相關的自然語言處理研究 251 5．1．2 其他領域的自然語

言處理研究 253 5．1．3 自然語言處理中特徵提取的預處理 254 5．1．4 自然語言處理中詞頻特徵的計算方法 256 5．1．5 自然語言處理中TF-IDF特徵的計算方法 258 5．2 詞嵌入層 261 5．3 迴圈神經網路層：GRU和LSTM 267 5．3．1 簡單迴圈神經網路 267 5．3．2 長短時記憶網路（LSTM） 269 5．3．3 門控迴圈單元（GRU） 272 5．4 注意力機制 280 5．5 自注意力機制 284 5．5．1 迴圈神經網路的問題 284 5．5．2 自注意力機制的基礎結構 285 5．5．3 使用自注意力機制來構建Seq2Seq模型 288 5

．5．4 PyTorch中自注意力機制的模組 290 5．5．5 Pytorch中的Transformer模組 292 5．6 本章總結 293 第6章 PyTorch自然語言處理案例 295 6．1 word2vec演算法訓練詞向量 295 6．1．1 單詞表的創建 295 6．1．2 word2vec演算法的實現 299 6．1．3 word2vec演算法的特性 301 6．2 基於迴圈神經網路的情感分析 302 6．3 基於迴圈神經網路的語言模型 305 6．3．1 語言模型簡介 305 6．3．2 語言模型的代碼 308 6．4 Seq2Seq模型及其應用 311 6．4．1 Seq

2Seq模型的結構 311 6．4．2 Seq2Seq模型編碼器的代碼 312 6．4．3 Seq2Seq模型注意力機制的代碼 315 6．4．4 Seq2Seq模型解碼器的代碼 317 6．5 BERT模型及其應用 321 6．5．1 BERT模型的結構 321 6．5．2 BERT模型的訓練方法 325 6．5．3 BERT模型的微調 327 6．6 本章總結 329 第7章 其他重要模型 330 7．1 基於寬深模型的推薦系統 330 7．1．1 推薦系統介紹 330 7．1．2 寬深模型介紹 331 7．2 DeepSpeech模型和CTC損失函數 335 7．2．1 語音辨識模型介

紹 335 7．2．2 CTC損失函數 337 7．3 使用Tacotron和WaveNet進行語音合成 342 7．3．1 Tacotron模型中基於Seq2Seq的梅爾篩檢程式特徵合成 343 7．3．2 Tacotron模型的代碼 344 7．3．3 WaveNet模型介紹 352 7．3．4 因果卷積模組介紹 355 7．3．5 因果卷積模組的代碼 357 7．3．6 WaveNet模型的代碼 358 7．4 基於DQN的強化學習演算法 360 7．4．1 強化學習的基礎概念 361 7．4．2 強化學習的環境 362 7．4．3 DQN模型的原理 363 7．4．4 DQN模型及其訓

練過程 365 7．5 使用半精度浮點數訓練模型 369 7．5．1 半精度浮點數的介紹 370 7．5．2 半精度模型的訓練 371 7．5．3 apex擴展包的使用 372 7．6 本章總結 373 第8章 PyTorch高級應用 375 8．1 PyTorch自訂啟動函數和梯度 375 8．2 在PyTorch中編寫擴展 377 8．3 正向傳播和反向傳播的鉤子 385 8．4 PyTorch的靜態計算圖 388 8．5 靜態計算圖模型的保存和使用 393 8．6 本章總結 396 第9章 PyTorch原始程式碼解析 397 9．1 ATen張量計算庫簡介 397 9．2 C++的

Python介面 400 9．3 csrc模組簡介 404 9．4 autograd和自動求導機制 407 9．5 C10張量計算庫簡介 408 9．6 本章總結 409 參考文獻 410

Apex輔助進入發燒排行的影片

基於輕量級卷積神經網絡對肺部異常結節進行計算機輔助檢測

為了解決Apex輔助的問題，作者張文彥 這樣論述：

研究背景與目的胸部X光片（CXRs）上的肺結節異常識別對於放射科醫生和患者來說都是很重要的肺部疾病篩查。本文的目的是為放射科醫生開發一個基於卷積神經網絡（CNN）的計算機輔助檢測（CAD）系統。研究方法我們提出了一個CNN架構，旨在檢測那些胸腔病變。由於醫療環境中計算機的計算能力有限，本研究建立之CNN模型的是一個以輕量級之神經網路架構SqueezeNet，結合YOLOv2作為輸出層。在數據標註工作的建立中，可疑的胸腔病灶是由三位具有合格放射醫學執照之高雄醫學大學附屬中和紀念醫院影像醫學部醫師共同標記。研究結果在訓練並獲得最佳模型後，輸出的圖像幾乎涵蓋了由影像醫學部醫師所識別之所有肺部病灶。

與其他已知的基於CNN的模型相比，我們的模型以較輕量之結構表現出很高的功效。此外，該模型識別的可疑性結節異常考慮了其他肺部疾病的結節性不透明或正常乳頭的陰影。因此，該模型在CAD系統中的臨床實施將再進一步的研究工作中進行。結論與建議據我們所知，與我們調查的其他現有CNN模型相比，該模型在識別CXR上的結節性異常方面達到了最高的準確度。儘管在某些區域，如鎖骨交疊處和心後區，尋找可疑結節的任務仍具有挑戰性，但我們提出的模型顯示了尋找這些病變的實力。

數字孿生：5G時代的重要應用場景未來實體產業的基石

為了解決Apex輔助的問題，作者陳根 這樣論述：

本書內容包括數位孿生概論、數位孿生技術、數位孿生與工業4.0、數位孿生城市、數位孿生在其他方面的應用、數位孿生應用案例、數位孿生技術面臨的挑戰與發展趨勢、數位經濟產業政策。本書涵蓋了數位孿生的多個重要技術要點，列舉眾多案例對理論進行了解析，並在許多方面提出了創新性的觀點。通過閱讀本書，讀者可以深刻地理解數位孿生這門新興學科。 陳根，著名作家；北京大學特邀課程教授，南京航空航太大學客座教授，北京林業大學碩士研究生導師，華東理工大學創新創業導師；時任人民日報、第一財經、新浪、網易等多家傳媒特邀專欄作家，曾任央視大型紀錄片《大國重器》特邀策劃。出版專著50餘本，涉及金融、科技、地

產、醫療、設計等多個領域，是前沿科技領域公認的意見領袖。既有厚重的理論功底，又有豐富的實戰經驗。曾任多家上市公司高管，在戰略規劃、企業轉型、經營管理和資本運作方面均有突出成就，是國內難得的實業與金融兩栖專家。 第1章　數字孿生概論 1．1 數字孿生的定義 1．1．1 數字孿生的一般定義 1．1．2 “工業4．0”術語編寫組的定義 1．2 數位孿生與數位紐帶 1．3 數位孿生技術的演化過程 1．3．1 美國國家航空航天局（NASA）阿波羅項目 1．3．2 邁克爾?格裡夫斯教授提出數字孿生體概念 1．3．3 美國空軍研究實驗室（AFRL）提出利用數字孿生體解決戰鬥機機體的維護問

題 1．3．4 NASA與AFRL的合作 1．3．5 數位孿生技術先進性被多個行業借鑒吸收 1．4 數位孿生技術的價值體現及意義 1．4．1 數位孿生技術的價值體現 1．4．2 數位孿生技術的意義 第2章　數位孿生技術 2．1 數字孿生的相關領域 2．1．1 數位孿生與電腦輔助設計 2．1．2 數位孿生與產品全生命週期管理 2．1．3 數位孿生與物理實體 2．1．4 數位孿生與賽博物理系統 2．1．5 數字孿生與雲端 2．1．6 數字孿生與工業互聯網 2．1．7 數字孿生與車間生產 2．1．8 數位孿生與智慧製造 2．1．9 數字孿生與工業邊界 2．1．10 數字孿生與CIO 2．2 數位孿

生的技術體系 2．2．1 資料保障層 2．2．2 建模計算層 2．2．3 功能層 2．2．4 沉浸式體驗層 2．3 數位孿生的核心技術 2．3．1 多領域、多尺度融合建模 2．3．2 資料驅動與物理模型融合的狀態評估 2．3．3 資料獲取和傳輸 2．3．4 全生命週期資料管理 2．3．5 VR呈現 2．3．6 高性能計算 2．4 數字孿生的創建 2．4．1 創建數字孿生的兩個重點 ・ 2．4．2 如何部署創建數字孿生 第3章　數字孿生與工業4．0 3．1 產品數位孿生體 3．1．1 產品數位孿生體的定義 3．1．2 產品數位孿生體的4個基本功能 3．1．3 產品數位孿生體的基本特性 3．1．

4 產品數位孿生體的核心價值 3．2 數字孿生體與生命週期管理 3．2．1 數位孿生體的體系結構 3．2．2 數字孿生體在生命週期各階段的表現形態 3．2．3 數字孿生體在生命週期各階段的實施途徑 3．3 大型軟體製造商對數位孿生的理解 3．3．1 西門子 3．3．2 通用電氣 3．3．3 PTC 3．3．4 甲骨文 3．3．5 SAP 3．4 數位孿生生產的發展趨勢 3．4．1 擬實化 3．4．2 全生命週期化 3．4．3 集成化 3．4．4 與增強現實技術的融合 第4章　數字孿生城市 4．1 數字孿生城市概念的興起 4．2 數位孿生城市的四大特點 4．2．1 精准映射 4．2．2 虛實交

互 4．2．3 軟體定義 4．2．4 智能干預 4．3 數位孿生城市的服務形態及典型場景 4．3．1 服務形態 4．3．2 典型場景 4．4 數字孿生城市的總體架構 4．4．1 端側 4．4．2 網側 4．4．3 雲側 第5章　數位孿生在其他方面的應用 5．1 醫療健康 5．2 智能家居 5．3 航空航太 5．4 油氣探測 5．5 智能物流 5．6 推動現實世界探索 5．7 大腦活動的監控與管理 第6章　數位孿生應用案例 6．1 基於數字孿生的航空發動機全生命週期管理 6．2 基於數位孿生的複雜產品裝配工藝 6．2．1 基本框架 6．2．2 方法特點 6．2．3 關鍵理論與技術 6．2．4

部裝體現場裝配應用平臺示例 6．3 英國石油公司先進的類比與監控系統APEX 6．4 基於數位孿生的企業全面預算系統・ 6．5 中國首條在役油氣管道數字孿生體的構建與應用 6．5．1 數位孿生體構建流程 6．5．2 數位化恢復主要技術 6．5．3 研究成果及應用拓展 第7章　數位孿生技術面臨的挑戰與發展趨勢 7．1 數位孿生技術發展的新趨勢 7．1．1 應用領域擴展需求 7．1．2 與新的IT技術深度融合需求 7．1．3 資訊物理融合資料需求 7．1．4 智慧服務需求 7．1．5 普適工業互聯需求 7．1．6 動態多維、多時空尺度模型需求 7．2 數位孿生的五維模型 7．3 數位孿生五維模

型的十五大應用領域 第8章　數字經濟產業政策 8．1 數字經濟的定義 8．2 全球主要國家和地區的數位經濟戰略與產業政策 8．3 我國各地區的數字經濟產業支援政策要點分析 8．3．1 注重數位化改造與應用示範省（自治區、直轄市）對比與 分析 8．3．2 注重創新型服務型平臺建設省（自治區、直轄市）的對比 與分析 8．3．3 注重構建數字生態體系省（自治區、直轄市）的對比 與分析 8．3．4 注重招大引強培育市場主體省（自治區、直轄市）的對比 與分析 8．3．5 注重人才激勵與學科建設省（自治區、直轄市）的對比 與分析 8．3．6 注重加大要素資源支持力度省（自治區、直轄市）的對比 與分析 8

．4 總結 參考文獻

使用頦下超音波影像評分與應變量測評估阻塞性睡眠呼吸中止症

為了解決Apex輔助的問題，作者黃郁文 這樣論述：

阻塞性睡眠呼吸中止症（Obstructive sleep apnea, OSA）是現今常見的睡眠疾病，主要發生原因包括伴隨老化與肥胖而來之口腔周圍的肌肉張力下降，導致OSA患者容易於睡眠平躺時舌根後墜、呼吸道受到壓迫而缺氧。目前臨床主要的診斷方法為使用睡眠多項生理功能檢查（Polysomnography, PSG），但PSG對於患者的病理生理學無法明確解釋，只能從 PSG 得知OSA嚴重程度。研究口腔周遭組織的物理參數與OSA之間的相關性，有助於臨床醫師判斷受測者是否有潛在OSA的可能性，因此陸續有研究使用磁振造影、電腦斷層掃描分析組織的物理參數。相較於上述方法，超音波具有無輻射與即時成像的

優點，能更容易且無害地觀察舌頭與口腔組織。本研究使用超音波舌頭功能影像與應變量測，分析有別於舌頭結構（如：厚度、面積）的功能參數，應變彈性影像只需對灰階超音波影像做分析，即可計算舌頭應變與彈性，相較於剪切波彈性影像更容易實現。應變彈性影像亦可搭配口腔動作，動態分析動作期間的舌頭位移、計算分析舌頭彈性。本研究將舌頭分為三個部分，分別是最大舌根尖（Maximum tongue base apex, TBA）、TBA於舌骨端（Hyoid bone side, TBAH）與TBA於下顎骨端（Mandible side, TBAM），並使用舌壓測定器（Maximum tongue pressure me

asurement, TP）與倒氣測試（Müller's maneuver, MM）兩個動作，搭配斑點追蹤觀察正常呼吸（Normal breathing, NB）到MM或TP期間TBA、TBAH、TBAM的變化，收案的受測者包括8位健康、30位輕度、30位中度、30位重度OSA患者。然而，斑點追蹤對影片中連續幀的品質要求較高，研究過程我們發現部分影像因舌頭拍攝不清楚或受測者動作過大導致舌頭無法穩定地被追蹤，因此我們使用深度學習與類激活映射（Class activation mapping, CAM）計算影像品質分數（Image quality score, IQS）以定量超音波影像品質，並以

適合的IQS截止點篩選超音波影像，研究結果顯示較高的IQS可獲得較高的斑點追蹤穩定度。結果表示中重度與健康輕度OSA在MM動作下的TBA應變存在相關性，且預測中重度與非中重度OSA的操作特徵曲線下面積為0.75、敏感度75%、特異度71.4%，說明了使用應變分析OSA存在其研究的價值。