nas多人共用的問題，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

深度學習之PyTorch物體檢測實戰

為了解決nas多人共用的問題，作者董洪義 這樣論述：

《深度學習之PyTorch物體檢測實戰》從概念、發展、經典實現方法等幾個方面系統地介紹了物體檢測的相關知識，重點介紹了FasterRCNN、SDD和YOLO這三個經典的檢測器，並利用PyTorch框架從代碼角度進行了細緻講解。另外，《深度學習之PyTorch物體檢測實戰》進一步介紹了物體檢測的輕量化網路、細節處理、難點問題及未來的發展趨勢，從實戰角度給出了多種優秀的解決方法，便於讀者更深入地掌握物體檢測技術，從而做到在實際專案中靈活應用。 《深度學習之PyTorch物體檢測實戰》共10章，涵蓋的主要內容有物體檢測與PyTorch框架基礎概念與背景知識；PyTorch基礎知識；基礎卷積網路Ba

ckbone；兩階經典檢測器FasterRCNN；單階多層檢測器SSD；單階經典檢測器YOLO；模型加速之輕量化網路；物體檢測細節處理；物體檢測難點問題；物體檢測的未來發展。 《深度學習之PyTorch物體檢測實戰》內容豐富，講解通俗易懂，案例典型，實用性強，特別適合PyTorch框架愛好者和物體檢測相關從業人員閱讀，也適合深度學習和電腦視覺領域的研究人員閱讀。另外，《深度學習之PyTorch物體檢測實戰》還適合作為深度學習培訓機構的教材使用。   董洪義本科、碩士均畢業於北京航空航太大學。深度學習與PyTorch資深愛好者。現任百度自動駕駛高級演算法工程師。曾擔任Pha

ntomTiger演算法負責人、地平線智慧駕駛部門演算法實習生、北航國際拓展團團長。曾經被評為北京航空航太大學年度人物。曾經獲得了Kaggle競賽銀牌。本科期間成績年級第一，曾前往日本、英國、比利時、荷蘭等國的知名學校訪問交流。研究方向為自動駕駛感知、智慧型機器人與電腦視覺。有3年以上的深度學習研發經驗。 第1篇  物體檢測基礎知識 第1章  淺談物體檢測與PyTorch 2 1.1  深度學習與電腦視覺 2 1.1.1  發展歷史 2 1.1.2  電腦視覺 7 1.2  物體檢測技術 9 1.2.1  發展歷程 10 1.2.2  技術應用領域 11 1.2.3  評價

指標 12 1.3  PyTorch簡介 17 1.3.1  誕生與特點 17 1.3.2  各大深度學習框架對比 17 1.3.3  為什麼選擇PyTorch 19 1.3.4  安裝方法 20 1.4  基礎知識準備 22 1.4.1  Linux基礎 22 1.4.2  Python基礎 24 1.4.3  高效開發工具 29 1.5  總結 36 第2章  PyTorch基礎 37 2.1  基本資料：Tensor 37 2.1.1  Tensor資料類型 37 2.1.2  Tensor的創建與維度查看 39 2.1.3  Tensor的組合與分塊 41 2.1.4  Tensor

的索引與變形 42 2.1.5  Tensor的排序與取極值 46 2.1.6  Tensor的自動廣播機制與向量化 46 2.1.7  Tensor的記憶體共用 47 2.2  Autograd與計算圖 48 2.2.1  Tensor的自動求導：Autograd 49 2.2.2  計算圖 50 2.2.3  Autograd注意事項 51 2.3  神經網路工具箱torch.nn 52 2.3.1  nn.Module類 52 2.3.2  損失函數 55 2.3.3  優化器nn.optim 56 2.4  模型處理 59 2.4.1  網路模型庫：torchvision.models

59 2.4.2  載入預訓練模型 60 2.4.3  模型保存 61 2.5  資料處理 61 2.5.1  主流公開資料集 61 2.5.2  數據載入 63 2.5.3  GPU加速 65 2.5.4  數據視覺化 66 2.6  總結 68 第3章  網路骨架：Backbone 69 3.1  神經網路基本組成 69 3.1.1  卷積層 70 3.1.2  啟動函數層 72 3.1.3  池化層 75 3.1.4  Dropout層 76 3.1.5  BN層 77 3.1.6  全連接層 79 3.1.7  深入理解感受野 81 3.1.8  詳解空洞卷積（Dilated Co

nvolution） 82 3.2  走向深度：VGGNet 83 3.3  縱橫交錯：Inception 87 3.4  里程碑：ResNet 93 3.5  繼往開來：DenseNet 95 3.6  特徵金字塔：FPN 99 3.7  為檢測而生：DetNet 106 3.8  總結 110 第2篇  物體檢測經典框架 第4章  兩階經典檢測器：Faster RCNN 112 4.1  RCNN系列發展歷程 112 4.1.1  開山之作：RCNN 112 4.1.2  端到端：Fast RCNN 113 4.1.3  走向即時：Faster RCNN 114 4.2  準備工作 11

4 4.3  Faster RCNN總覽 115 4.4  詳解RPN 117 4.4.1  理解Anchor 117 4.4.2  RPN的真值與預測量 119 4.4.3  RPN卷積網路 120 4.4.4  RPN真值的求取 122 4.4.5  損失函數設計 124 4.4.6  NMS與生成Proposal 125 4.4.7  篩選Proposal得到RoI 126 4.5  RoI Pooling層 127 4.6  全連接RCNN模組 130 4.6.1  RCNN全連接網路 130 4.6.2  損失函數設計 131 4.7  Faster RCNN的改進演算法 131 4

.7.1  審視Faster RCNN 132 4.7.2  特徵融合：HyperNet 133 4.7.3  實例分割：Mask RCNN 134 4.7.4  全卷積網路：R-FCN 137 4.7.5  級聯網路：Cascade RCNN 139 4.8  總結 141 第5章  單階多層檢測器：SSD 142 5.1  SSD總覽 142 5.1.1  SSD的演算法流程 142 5.1.2  代碼準備工作 143 5.2  數據預處理 144 5.2.1  載入PASCAL資料集 144 5.2.2  資料增強 144 5.3  網路架構 148 5.3.1  基礎VGG結構 14

8 5.3.2  深度卷積層 149 5.3.3  PriorBox與邊框特徵提取網路 150 5.3.4  總體網路計算過程 153 5.4  匹配與損失求解 154 5.4.1  預選框與真實框的匹配 154 5.4.2  定位損失的計算 155 5.4.3  難樣本挖掘 156 5.4.4  類別損失計算 156 5.5  SSD的改進演算法 157 5.5.1  審視SSD 157 5.5.2  特徵融合：DSSD 158 5.5.3  彩虹網路：RSSD 160 5.5.4  基於SSD的兩階：RefineDet 162 5.5.5  多感受野融合：RFBNet 165 5.6  總

結 166 第6章  單階經典檢測器：YOLO 167 6.1  無錨框預測：YOLO v1 167 6.1.1  網路結構 167 6.1.2  特徵圖的意義 168 6.1.3  損失計算 169 6.2  依賴錨框：YOLO v2 171 6.2.1  網路結構的改善 171 6.2.2  先驗框的設計 173 6.2.3  正、負樣本與損失函數 175 6.2.4  正、負樣本選取代碼示例 176 6.2.5  工程技巧 179 6.3  多尺度與特徵融合：YOLO v3 180 6.3.1  新網路結構DarkNet-53 180 6.3.2  多尺度預測 181 6.3.3  S

oftmax改為Logistic 182 6.4  總結 183 第3篇  物體檢測的難點與發展 第7章  模型加速之輕量化網路 186 7.1  壓縮再擴展：SqueezeNet 188 7.1.1  SqueezeNet網路結構 188 7.1.2  SqueezeNet總結 190 7.2  深度可分離：MobileNet 191 7.2.1  標準卷積 191 7.2.2  深度可分離卷積 192 7.2.3  MobileNet v1結構 193 7.2.4  MobileNet v1總結 198 7.2.5  MobileNet v2 198 7.3  通道混洗：ShuffleN

et 200 7.3.1  通道混洗 201 7.3.2  網路結構 202 7.3.3  ShuffleNet v2 205 7.4  總結 207 第8章  物體檢測細節處理 209 8.1  非極大值抑制：NMS 209 8.1.1  NMS基本過程 210 8.1.2  抑制得分：Soft NMS 212 8.1.3  加權平均：Softer NMS 213 8.1.4  定位置信度：IoU-Net 215 8.2  樣本不均衡問題 217 8.2.1  不均衡問題分析 217 8.2.2  線上難樣本挖掘：OHEM 219 8.2.3  專注難樣本：Focal Loss 221 8

.3  模型過擬合 224 8.3.1  資料增強 226 8.3.2  L1與L2正則化 227 8.4  總結 229 第9章  物體檢測難點 230 9.1  多尺度檢測 230 9.1.1  多尺度問題 230 9.1.2  降低下取樣速率與空洞卷積 232 9.1.3  Anchor設計 233 9.1.4  多尺度訓練 235 9.1.5  特徵融合 235 9.1.6  尺度歸一化：SNIP 236 9.1.7  三叉戟：TridentNet 238 9.2  擁擠與遮擋 239 9.2.1  遮擋背景 240 9.2.2  排斥損失：Repulsion Loss 242 9.

2.3  OR-CNN 244 9.3  總結 247 第10章  物體檢測的未來發展 248 10.1  重新思考物體檢測 248 10.1.1  精度與速度的權衡 249 10.1.2  卷積網路的可解釋性與穩定性 249 10.1.3  訓練：微調還是隨機初始化 250 10.1.4  考慮物體間關係的檢測 251 10.1.5  優化卷積方式 252 10.1.6  神經架構搜索：NAS 253 10.1.7  與產業結合的創新 255 10.2  擺脫錨框：Anchor-Free 257 10.2.1  重新思考Anchor 257 10.2.2  基於角點的檢測：CornerNe

t 258 10.2.3  檢測中心點：CenterNet 262 10.2.4  錨框自學習：Guided Anchoring 264 10.3  總結 266   隨著深度學習的飛速發展，電腦視覺技術取得了令人矚目的成果，尤其是物體檢測這一基礎又核心的分支，誕生了眾多經典演算法，在自動駕駛、智慧醫療、智慧安防及搜索娛樂等多個領域都得到了廣泛應用。與此同時，誕生於2017年的PyTorch框架，憑藉其簡潔優雅、靈活易上手等優點，給開發人員留下了深刻的印象。 目前，國內圖書市場上已經出版了幾本PyTorch方面的圖書，但大多數圖書停留在淺層的概念與簡單示例的講解上，缺乏實

用性，而且也沒有一本系統講解PyTorch物體檢測方面的圖書。因此，圖書市場上迫切需要一本系統介紹PyTorch物體檢測技術的書籍。這便是筆者寫作《深度學習之PyTorch物體檢測實戰》的初衷。 《深度學習之PyTorch物體檢測實戰》是國內原創圖書市場上首部系統介紹物體檢測技術的圖書。書中利用PyTorch深度學習框架，從代碼層面講解了FasterRCNN、SSD及YOLO這三大經典框架的相關知識，並進一步介紹了物體檢測的細節與難點問題，讓讀者可以全面、深入、透徹地理解物體檢測的種種細節，並能真正提升實戰能力，從而將這些技術靈活地應用到實際開發中，享受深度學習帶來的快樂。 《深度學習之P

yTorch物體檢測實戰》特色 1.系統介紹了PyTorch物體檢測技術 《深度學習之PyTorch物體檢測實戰》深入物體檢測這一基礎又核心的技術，從其誕生背景、主流演算法、難點問題、發展趨勢等多個角度詳細介紹了物體檢測知識，並結合代碼給出了多個演算法的實現。 從代碼角度詳細介紹了物體檢測的三大演算法 《深度學習之PyTorch物體檢測實戰》介紹了FasterRCNN、SSD及YOLO這三個影響深遠的檢測演算法，從代碼層面詳細介紹了它們所實現的每一個細節與難點，並進行了優缺點分析，而且給出了多種優化演算法。 涵蓋所有主流的物體檢測演算法 《深度學習之PyTorch物體檢測實

戰》幾乎涵蓋所有主流的物體檢測演算法，包括VGGNet、ResNet、FPN、DenseNet和DetNet等卷積基礎網路，以及從FasterRCNN、HyperNet、MaskRCNN、SSD、RefineDet、YOLOv1到YOLOv3、RetinaNet、CornerNet和CenterNet等物體檢測演算法，呈現給讀者一個完整的知識體系。 給出了多個實際的物體檢測實例，有很強的實用性 《深度學習之PyTorch物體檢測實戰》對PyTorch的知識體系進行了較為精煉的介紹，還結合物體檢測演算法重點介紹了PyTorch實現的多個物體檢測實例。因此《深度學習之PyTorch物體檢

測實戰》不僅是一本很好的PyTorch框架學習書籍，更是一本PyTorch物體檢測實戰寶典。 對物體檢測技術常見的細節、難點及發展做了詳細分析 《深度學習之PyTorch物體檢測實戰》不僅對物體檢測技術的熱門話題做了詳細分析，例如非極大值抑制、樣本不均衡、模型過擬合、多尺度檢測、物體擁擠與遮擋等，而且對各種細節與常見問題做了詳細分析，並給出了多種解決方法。 《深度學習之PyTorch物體檢測實戰》內容 第1篇物體檢測基礎知識 本篇涵蓋第1~3章，介紹了物體檢測技術與PyTorch框架的背景知識與必備的基礎知識。主要內容包括物體檢測技術的背景與發展；物體檢測的多種有效工具；PyTor

ch背景知識與基礎知識；多種基礎卷積神經網路的相關知識與具體實現等。掌握本篇內容，可以為讀者進一步學習物體檢測技術奠定基礎。 第2篇物體檢測經典框架 本篇涵蓋第4~6章，介紹了FasterRCNN、SSD與YOLO三大經典演算法的思想與實現。主要內容包括FasterRCNN兩階演算法的思想；錨框Anchor的意義與實現；FasterRCNN的多種改進演算法；SSD單階演算法的思想與實現；SSD的資料增強方法及多種改進演算法；YOLO單階演算法的三個版本演變過程及具體實現等。掌握本篇內容，可以讓讀者從代碼角度學習物體檢測的種種細節。 第3篇物體檢測的難點與發展 本篇涵蓋第7~10章，介紹了物

體檢測技術的細節、難點及未來發展。主要內容包括針對模型加速的多種輕量化網路思想與實現；非極大值抑制；樣本不均衡及模型過擬合等物體檢測細節問題的背景知識與解決方法；多尺度、擁擠與遮擋等物體檢測難點問題的背景知識與解決方法；多種擺脫錨框的檢測演算法；物體檢測的未來發展趨勢等。掌握本篇內容，可以讓讀者更加深入地學習物體檢測的相關技術。 《深度學習之PyTorch物體檢測實戰》讀者物件 需要全面學習物體檢測技術的人員； PyTorch框架愛好者和研究者； 電腦視覺從業人員與研究者； 深度學習從業人員與愛好者； 自動駕駛、智慧安防等領域的開發人員； 人工智慧相關產業的從業人員； 電腦、機器人等專業的高

校學生。 閱讀建議 沒有物體檢測與PyTorch基礎的讀者，建議從第1章順次閱讀並演練每一個實例。 有一定PyTorch與物體檢測基礎的讀者，可以根據實際情況有重點地選擇閱讀各個演算法的細節。 對於每一個檢測演算法，建議讀者先閱讀一下原論文，多思考演算法設計的動機與目的，並重點思考如何用代碼實現，這會加深讀者對檢測演算法的理解。原論文的下載地址和《深度學習之PyTorch物體檢測實戰》原始程式碼檔一起提供。 多思考各種物體檢測演算法的優缺點、相互之間的聯繫與區別，以及可以優化和改進的細節等，形成完整的知識體系樹，這樣會進一步加深讀者對知識的理解。 配書資源獲取方式 《深度學習之PyTorc

h物體檢測實戰》涉及的全部原始程式碼都放在了GitHub上，需要讀者自行下載。下載地址見圖書。 有些章節的代碼較多，但在書中僅給出了重要的片段代碼，完整代碼以GitHub上的代碼為准。 另外，讀者也可以登錄華章公司的網站www.hzbook.com，搜索到《深度學習之PyTorch物體檢測實戰》，然後按一下“資料下載”按鈕，即可在本書頁面上找到相關的下載連結。 致謝 《深度學習之PyTorch物體檢測實戰》的編寫得到了許多人的幫助。可以說，《深度學習之PyTorch物體檢測實戰》是多人共同努力的結晶。感謝北京源智天下科技有限公司的王蕾，她在稿件整理方面幫我做了大量的工作！感謝王田苗教授、陶吉

博士、夏添博士、侯濤剛博士、嚴德培、單增光、王策、鄂俊光、李成、丁甯、付航、高鵬、朱本金、彭強、王粟瑤、張騰、王兆瑋、黃彬效和拓萬琛等人，他們對《深度學習之PyTorch物體檢測實戰》提出了許多寶貴的意見和建議！感謝我的女朋友及家人，他們一直以來都對我鼓勵有加，給我寫作《深度學習之PyTorch物體檢測實戰》以最大的動力！感謝為《深度學習之PyTorch物體檢測實戰》付出辛勤工作的每一位編輯，他們認真、細緻的工作讓《深度學習之PyTorch物體檢測實戰》品質提高不少！ ……  

深入理解AutoML和AutoDL：構建自動化機器學習與深度學習平臺

為了解決nas多人共用的問題，作者王健宗瞿曉陽 這樣論述：

這是一部從基礎理論、核心原理、前沿演算法等多個維度系統、全面講解Auto ML、Auto DL、Auto NAS和元學習的著作。 作者是資深的人工智慧專家，大型金融集團科技公司深度學習平臺和Auto ML平臺負責人。 本書得到了IEEE Fellow/ACM傑出科學家/香港科技大學教授楊強教授、騰訊AI Lab副主任俞棟、美國佛羅裡達大學教授李曉林等8位來自企業界、學術界和媒體界的資深專家的一致好評。它既能讓新人理清Auto ML的脈絡，快速上手機器學習，又能讓有經驗的讀者全面掌握Auto ML的知識體系，工作變得更高效。 全書共14章，邏輯上分為四部分： 第一部分（

第1~2章）人工智慧基礎 對人工智慧、自動化人工智慧的重要概念、發展歷程及現狀、適用場景、主要的工具和技術等做了全面的介紹，並引出了人工智慧技術未來的發展方向——Auto ML，這部分是閱讀本書的基礎。 第二部分（第3~6章）Auto ML 主要講解機器學習和自動化機器學習，核心是Auto ML，包含自動化特徵工程、自動化模型選擇和自動化超參優化3個方面的內容。 第三部分（第7~13章）Auto DL 主要講解深度學習和自動化深度學習，重點講解了Auto DL的原理、基於強化學習的Auto DL、基於進化演算法的Auto DL、Atuo DL的高階知識、自動化模型壓縮與加速，以及各種核心演

算法和前沿演算法。 第四部分（第14章）元學習 元學習是人工智慧的理想目標，這部分對元學習的概念、流程和各種主流的學習方法都進行了詳盡的介紹。    

運用動態職責區分機制調合多租戶於雲端醫療資源配置衝突之研究

為了解決nas多人共用的問題，作者廖家稘 這樣論述：

現今科技日新月益發展，各個醫療院所擁有專屬資訊系統，診斷療程所記錄下的資訊化病歷，存放於醫療資訊系統內。但醫療資源僅存放於各個醫療院所的醫療資訊系統內，若病患需要申請醫療資源記錄時，需經過繁瑣的程序與往返醫療院所的時間。當發生使用者同時搶用資源如病床設備、檢測儀器時所產生的衝突。台灣日前發生大型特殊事件，產生相當多的急重症患者，卻無法有效的配置急重症病床，使病患錯過黃金救援時間或花費很多等待病床的時間。隨著雲端運算技術發展逐漸被重視，如何有效的配置與管理醫療資源，滿足使用者（病患、醫療院所人員）需求並保有安全性，成為一個值得探討的研究議題。本研究探討醫療資訊系統透過雲端運算配置與共享醫療資源

。應用多租戶（Multi-tenancy)的環境下提供使用者可以在多使用者的環境下共用相同的平台，依使用者需求擬定客製化需求租約，並且確保使用者間資源隔離性、隔離管理與客製化機制。發生使用者同時搶用資源或用戶角色發生衝突時，利用動態職責區分關係（DSOD），在同一時間一個用戶只能扮演一種角色的概念。應用以角色為基礎存取控制（RBAC），制定醫療院所中各單位內的角色所相對應的醫療資源的存取權限，藉此控制使用者所能使用的醫療資源、存取權限、使用範圍，接著角色分配給用戶角色會期與權限設定，解決使用者（病患、醫療院所人員）角色衝突。在實務運作方面，本研究將設計以醫療資源整合服務，應用於醫療資訊環境。實

務運作方面，設計的醫療資源整合平台應用於Swift架構實行多租戶環境，模擬醫療院所情境中，並模擬醫療資源發生衝突時，調合醫療資源配置的實驗，與其他動態職責區分關係進行比較。對於醫療院所提供雲端運算環境下，有助於醫療院所達到整合性與一致性。在動態職責區分關係中與多租戶技術結合，利用服務級別協議（SLA），發現衝突點，設計符合醫療資源情境的動態職責區分規則與避免多租戶衝突。