AI深度學習筆記
26公開內容
整理學習AI深度學習相關的筆記
全部內容
免費與付費
最新發佈優先
AGV最佳路徑分析（自動導引車最佳路徑分析）時，目的是讓 AGV（自動導引車）在工廠、倉庫或其他環境中，找到最短、最有效率且安全的路徑完成任務。
什麼是AGV？
AGV 是一種自動駕駛的小車，可以運送物品，類似於會自己走路的小機器人。比如在超市運送牛奶，或者在工廠裡搬運零件。
什麼是最佳
Dijkstra 演算法實作
Dijkstra 是用來找到從一個起點到其他所有點的最短路徑的演算法，適合靜態地圖。
實作步驟
定義地圖：使用圖（Graph）表示地圖。
初始化距離：起點距離設為 0，其餘點設為無限大。
遍歷節點：逐步找出距離最短的節點，更新相鄰節點的距離。
結束條件：所有
A* (A-Star)演算法實作
A* (A-Star)是一種啟發式搜尋演算法，除了最短距離，還會考慮目標的估計距離（啟發式函數）。
實作步驟
定義地圖和啟發式函數。
初始化開放節點（Open Set）和已訪問節點（Closed Set）。
計算代價函數 f(n) = g(n) + h(n
要使用 CUDA（Compute Unified Device Architecture）來加速計算，首先需要在你的系統上設置和安裝相關的工具。CUDA 是由 NVIDIA 開發的平行計算框架，用於加速大量數據的運算，尤其在圖像處理、機器學習、科學計算等領域很有應用。
可以參考官方的安裝方式
以
呈上篇介紹如何訓練模型，此篇就主要介紹如何利用訓練好的模型來生成圖片
[深度學習][Python]DCGAN訓練生成手寫阿拉伯數字_生成篇
生成的結果
生成的圖片大小會根據，當初設置的生成器輸出大小來決定，當你使用生成對抗網絡（GAN）生成圖像時，生成器模型的最後一層通常會決定生成圖
本文參考TensorFlow官網Deep Convolutional Generative Adversarial Network的程式碼來加以實作說明。
示範如何使用深度卷積生成對抗網路(DCGAN) 生成手寫數位影像。
本文將延續上一篇文章，經由訓練好的GAN模型中的生成器來生成圖片
[深度學習][Python]訓練MLP的GAN模型來生成圖片_訓練篇
[深度學習][Python]訓練CNN的GAN模型來生成圖片_訓練篇
相較之下CNN的GAN生成的效果比較好，但模型也相對比較複雜，訓練時間花的也比較
延續上一篇訓練GAM模型，這次我們讓神經網路更多層更複雜一點，來看訓練生成的圖片是否效果會更好。
[深度學習][Python]訓練MLP的GAN模型來生成圖片_訓練篇
資料集分割處理的部分在延續上篇文章，從第五點開始後修改即可，前面都一樣
訓練過程，比較圖
是不是CNN的效果比MLP還要好，
本文主要介紹，如何利用GAN生成對抗網路來訓練生成圖片。
利用tensorflow，中的keras來建立生成器及鑑別器互相競爭訓練，最後利用訓練好的生成器來生成圖片。
GAN生成對抗網路的介紹
它由生成網路(Generator Network)和鑑別網路(Discriminator Netwo
本文將延續上一篇文章，經由訓練好的VAE模型其中的解碼器，來生成圖片。
[深度學習]訓練VAE模型用於生成圖片_訓練篇
輸入產生的隨機雜訊，輸入VAE的解碼器後，生成的圖片
本文主要介紹，如何利用VAE變分自編碼器來訓練生成圖片。
訓練集資料將採用TF影像資料庫中的fashion_mnist
VAE變分自編碼器簡單介紹
•VAE(Variational Auto-Encoder)中文名稱變分自編碼器，主要是一種將原始資料編碼到潛在向量空間，再編碼回來的神經網路。
本文下方連結的文章，利用Stable Diffusion生成512 * 512大小的圖片。
輸入的文字是 dog flying in space，此模型需輸入英文句子才會準確生成。
參考文獻
連結該作者在Hugging Face公開的模型去做使用。
本文是在Colab上執行。
長短期記憶（英語：Long Short-Term Memory，LSTM）是一種時間循環神經網路（RNN），論文首次發表於1997年。
LSTM（長短期記憶）是一種特定類型的遞歸神經網絡（RNN），在許多需要處理時間序列數據或順序數據的應用中非常有用。
以下是一些常見的 LSTM 應用：
先前上一篇是使用NLT內置的電影評論數據集 movie_reviews，來訓練出情感分析模型，此篇文章介紹可以導入自己的訓練資料集來建立情感分析模組。
[Python][自然語言]NLTK 實現電影評論情感分析
所需套件
pip install pandas
pip install sci
情感分析是一種自然語言處理技術，用於自動識別和分析文本中的情感傾向，通常是正向、負向或中性。
我們可以使用 NLTK 來實現一個基於單純貝斯分類器的情感分析模型。
本文介紹了流行的Python套件NLTK（Natural Language Toolkit）的主要特點、功能和在中文和英文語料上的應用。從安裝到實際應用，深入介紹了分詞、停用詞去除、詞性標註、命名實體識別等NLP任務的具體實現和步驟，幫助讀者理解和應用NLTK。
本文利用pyqt5，使用pyttsx3將QLineEdit(單行輸入框)的字串，轉成語音呈現出來。
本文主要使用SpeechRecognition來做一個簡單的語音辨識，使用pyqt5介面呈現。
按下Start Recording，開始錄音，並顯示請開始說話。然後按鈕名改名Stop
在按下Stop Recording，稍等片刻後就會呈現出辨識結果
程式範例
import sys
i
微調(Fine tune)是深度學習中遷移學習的一種方法，其中預訓練模型的權重會在新數據上進行訓練。
本文主要介紹如何使用新的訓練圖檔在tesseract 辨識模型進行Fine tune
有關於安裝的部分可以參考友人的其他文章
Tesseract OCR - 繁體中文【安裝篇】
將所有資料
平時都在用tesseract來辨識OCR的部分，在網路上也常常聽說easyOCR比tesseract好用，就拿之前測試的OCR素材來比較看看囉。
以下輸入同樣圖片直接測試，並非絕對誰就比較準，只單純測試數字含英文的部分。
圖片素材就是15碼(英文加數字)，檔名為OCR正確結果
