api例子的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

Keras大神歸位：深度學習全面進化！用 Python 實作CNN、RNN、GRU、LSTM、GAN、VAE、Transformer

為了解決api例子的問題，作者FrançoisChollet 這樣論述：

　　正宗Keras大神著作再次降臨！   　　近10年來，深度學習為人工智慧領域帶來了出色的進展，也解鎖了許多有趣的新功能，如：機器翻譯、影像識別、物體定位等不一而足。毫不誇張地說，深度學習已迅速成為每位軟體開發者必備的武器。此外，諸如Keras和TensorFlow等先進的工具，也消除了普通人與深度學習之間的隔閡。即使你只有高中程度的數學知識，且甚至沒有資料科學的相關背景，也依舊可以透過這些工具來建構有趣的深度學習應用。   　　本書由 Keras 創始者親自撰寫，沒人比他更了解Keras這套工具，雖然如此，但這並不是一本 Keras 的使用手冊，而是帶你從頭開始探索深

度學習，進而拓展對深度學習理解的經典之作。你也將從中明瞭解決機器學習問題的標準作業流程，以及未來實務上如何克服可能遇到的問題。   　　本書前一版在全世界都獲得非常高的評價，並被翻譯成12種語言，到現在仍是技術社群推薦必讀的深度學習入門書。不過深度學習技術在這短短幾年有巨大的進展，因此第二版作者新增了許多常見任務的實作專案，例如：影像分割、時間序列預測、機器翻譯等。另外，作者還加入了當前熱門技術的介紹，如attention機制、Transformer架構、KerasTuner等，並搭配實作案例來加深讀者的理解。   　　由於第二版的內容修改幅度極大，因此中文版重新編譯，由業內專

家進行翻譯、審閱，在專有名詞的說法和敘述，都更加符合國內業界的習慣用語。無論你是從業中的機器學習工程師、軟體開發人員，還是資訊科系學生，本書的內容都會對你有所幫助。   本書特色   　　☆全面採用最新的Tensorflow × Keras版本 　　☆Keras創始者親筆之作，以自身經驗分享深度學習的門道 　　☆從做中學，各章皆搭配豐富專案實作，不會只是紙上談兵 　　☆延續第一版的紮實基礎內容，新增了當前最熱門的技術，讓讀者可以更上一層樓 　　■卷積神經網路 　　■殘差連接 　　■變分自編碼器(VAE) 　　■self-attention機制 　　

■Transformer架構 　　■KerasTuner超參數調校 　　■模型集成 　　■混合精度訓練 等等 　　☆本書由施威銘研究室監修，書中針對原書進行大量補充，並適當添加註解，幫助讀者更好地理解內容   重磅推薦   　　「掌握本質， 了解其所能與不能， 是面對技術快速迭代、世局難以預測的鑰匙。本書就是開啟深度學習的一把鑰匙。」——鴻海研究院執行長 李維斌 　 　　「對於想熟悉 Keras和Tensorflow的技術人來說， 是一本極佳的入門學習書， 而對於不熟悉技術只想一窺門道的人來說， 結構井然的邏輯和極為通暢易讀的寫作方式， 大大降低了非技術出

身如我輩的學習門檻。」——台灣人工智慧科技基金會執行長 溫怡玲   　　「Keras大神親自出手將最新的發展及其具體應用範例帶到我們面前， 在AI產業界來說， 這是極其重要的大事， 不可等閒視之， 而且是由在 AI領域著墨很深、實踐經驗豐富的黃逸華數據長主持翻譯與審閱工作， 更讓我們充滿期待。」——台灣人工智慧協會副理事長 黃國寶   　　「大神再次出手， 這是AI產業化的高光時刻， 很榮幸可以參與這場盛事， 也謝謝您的關注。」——華實智造科技有限公司數據長 黃逸華  

api例子進入發燒排行的影片

跨語言遷移學習在惡意留言偵測上的應用

為了解決api例子的問題，作者陳冠宇 這樣論述：

Transformer這個模型，它開啟了自然語言處理領域的一道大門，使得這個領域往前邁進了一大步，它讓模型更了解了文字中的關係。並且它的模型架構延伸了許多語言模型，例如跨語言模型的XLM，XLM-R，而這些延伸出來的模型在各個任務中都獲得了很好的成績。在本篇論文中，我們證實了可以透過其他高資源的語言來彌補低資源的語言的資料量，我們以預測留言是否是惡意留言來做為例子，我們分別使用Jigsaw Multilingual Toxic Comment Classification 競賽所釋出的英文資料和PTT黑特版上的留言當做輸入的訓練集，並要模型預測中文的惡意留言，而且英文的資料量比中文的資料量多

出很多，我們將其預測結果分為三個種類分別是單純以英文資料訓練模型，單純以中文資料訓練模型，最後是將兩者的資料結合並訓練模型，發現在以英文資料的訓練因為其資料量較大使得其預測結果為最好有75.9% 的水準，而以總體預測水準來說為混合型的資料分數較高有88.3%。總體來說，我們可以透過跨語言模型來補足低資源語言的不足，並且有了另一種解決低語言資料的方法。

從Docker動手邁入全新DevOps時代：最完整Kubernetes全書

為了解決api例子的問題，作者龔正,吳治輝,閆健勇 這樣論述：

全方位Kubernetes權威指南 多年累積精華內容，涵蓋最新特性、應用 　　Kubernetes是由Google開源的容器集群管理系統，為容器化應用提供了資源調度、部署運行、服務發現、擴縮容等一系列功能。Kubernetes也是將「一切以服務（Service）為中心，一切圍繞服務運轉」作為指導思想的創新型產品，它的功能和架構設計自始至終地遵循了這一指導思想。構建在Kubernetes上的系統不僅可以獨立運行在物理機、虛擬機集群或者企業私有雲上，也可以被託管在公有雲上。 　　本書總計12章，分別講解Kubernetes的基本概念、實踐指南、核心原理、開發指南、網路與儲存、運行維護指南、新

特性演進等內容，在生產環境中可能出現的問題，舉出了大量典型案例，比如安全設定方案、網路方案、共用儲存方案、高可用方案及Trouble Shooting技巧等，具有很強的實戰指導意義。 　　本書的內容也隨著Kubernetes的版本更新不斷完善，目前涵蓋了Kubernetes從1.0到1.19版本的主要特性，努力為Kubernetes使用者提供全方位的Kubernetes技術指南。 　　【適合讀者群】 　　本書目標讀者範圍很廣，有些大專院校也採用了本書作為參考教材。 　　考慮到Kubernetes的技術定位，以下讀者適合購買和閱讀本書： 　　．資深IT從業者 　　．研發部門主管 　　．架構師

（語言不限） 　　．研發工程師（經驗不限） 　　．運行維護工程師（經驗不限） 　　．軟體QA和測試工程師（兩年以上經驗） 　　．以技術為主的售前工作人員（兩年以上經驗） 專業推薦 　　中國移動資訊技術中心研發創新中心（平台能力共用中心）副總經理 張春

OpenVINO用於人工智慧模型加速比較研究

為了解決api例子的問題，作者康驊 這樣論述：

人工智慧AI(Artificial Intelligence)在全球資訊科學研究已成未來趨勢，AI正翻轉著這整個世界，也因其涉及範圍極廣在車牌辨識、筆跡辨識、聲音辨識都有許多應用的例子，而「深度學習(deep learning)」便是人工智慧其中重要的一塊 TensorFlow是一個Open Source軟體套件，用於各種圖形辨識任務的機器學習(Machine Learning)。Keras 則是 TensorFlow 的高階 API，用於建構及訓練深度學習(Deep learning)模型。OpenVINO的全名是Open Visual Inferencing and Neural

Network Optimization，可看出它的目的就是為了加速inference任務而生。 本論文實作上使用OpenVINO，將TensorFlow訓練好的模型執行於Intel Movidius NCS2上，提高樹莓派人臉辨識推論速度。在辨識演算法上使用Keras四個相關模組選用Keras CNN Model、Keras_InceptionV3 Model、Keras MobileNET Model、Keras InceptionResNetV2 Model，測試訓練速度與辨識速度，最後比較inference time、training time以及藉由曲線圖比較四者的準確度。關鍵

詞：AI、Deep learning、Machine Learning、CNN、OpenVINO、TensorFlow、Keras、 InceptionV3、MobileNET、InceptionResNetV2