程式
18公開內容
程式開發撰寫的點點滴滴
全部內容
免費與付費
最新發佈優先
在上一篇的強韌學習中，可以看到行為 (action) 的主要還是依據 Q-Table 的最大數值來決定；而 Q-Table 中的數值是依照過去的行為經驗累積而來；在經驗累積的過程中，每次單純累計回饋 (reward) 的數值；所以，可以觀察到最後形成的 Q-Table 各個數值內容會逐漸地累計而出現
本文介紹如何使用 OpenAI Gym中的Frozen Lake環境，利用Q-table學習機制提升機器人成功率。文章首先說明基本隨機移動機器人的方法，接著說明如何建立Q-table學習機器人，並透過實驗數據展示學習機制的效果。
本篇文章介紹如何使用Python和OpenAI Gym在Nvidia Jetson Orin Nano上實作強化學習，並以Frozen Lake遊戲為例，說明如何透過學習機器的行為與環境互動，來逐步提升學習機器的能力。
類神經網路在圖形辨識應用中需要大量資料進行訓練，並常透過分批訓練來優化模型。本文介紹如何使用「MNIST」資料庫進行手寫數字辨識，並透過「資料分批」來有效處理訓練資料。最終，分批訓練的手法能夠提升模型的辨識能力，實現持續學習。
本文介紹使用 PyTorch 及類神經網路進行圖形資料集的分類。Fashion-MNIST 提供了機器學習研究上的著名範例；服飾的灰階圖像的分類。本文指導讀者從安裝 torchvision 到建立類神經網路，進行圖形分類的完整過程。也詳述了資料處理及訓練過程，幫助理解類神經網路在圖形分類上的應用。
本文探討類神經網路在多元分類問題的應用，以scikit-learn 程式庫中的鳶尾花分類問題為例。該問題涉及三種不同的鳶尾花分類，並詳細說明瞭資料整理、類神經網路的建立及訓練過程，最終達到高準確率的預測結果。本文將幫助讀者理解如何應用類神經網路、PyTorch 及 CUDA 來進行高效的模型訓練。
本文說明反饋類神經網路在機器學習中解決非線性分類問題的方法，並以「PyTorch/CUDA」作為實現工具。介紹如何使用「scikit-learn」生成二元分類問題的數據，將訓練資料轉換為PyTorch/CUDA可用的格式，並搭建類神經網路進行訓練與測試；可用於有效解決各項機器學習的分類問題。
本文介紹如何利用 PyTorch 和 CUDA，建立多變數類神經網路模型。特別的，文章以「Himmelblau function」為例，探討資料正規化及訓練資料型態轉換的過程，並說明如何在 GPU 上訓練類神經網路。分析訓練誤差值及模型的收斂情況，希望幫助讀者深入理解多變數類神經網路的應用與挑戰。
本文將介紹如何在NVIDIA Jetson 人工智慧平台上，利用PyTorch和CUDA實現反饋類神經網路的運算。探討如何將運算任務從 CPU 轉移到 GPU，包括數據搬移和網路訓練的步驟。內容涵蓋建立類神經網路、確認 CUDA裝置、有效地在GPU上進行訓練和運算，充分利用 GPU 的加速優勢。
本篇文章介紹如何使用 PyTorch 這個強大的工具程式庫來建立一個反饋類神經網路。從單變數的「墨西哥帽」模型學習，到設定類神經網路的結構和訓練方法，資料轉換、類神經網路創建以及訓練過程的步驟。此外，也分析訓練過程中的誤差趨勢，幫助理解模型性能，適合希望快速掌握 PyTorch 的人工智慧開發者。
本文說明在安裝實體具有多核 GPU 的環境下，可以透過 Python 「多執行緒的」程式，讓 CPU 及 GPU 依照特性，各自同時進行運算，得到最好的算力配置。
本文描敘如何配合 nVidia Jetson Orin Nano 的多核心 GPU 的裝置，利用 PyTorch 來作 CUDA python 程式開發。
本篇文章介紹如何在 Jetson Nano 環境 Ubuntu 2.0 使用 git 及 github.com 進行版本控管。文章快速說明如何安裝、建立版本控管目錄及使用常用的指令。透過簡單的步驟，讀者將能夠有效地管理其程式碼版本，提升開發效率。
本文介紹如何在Python開發過程中建立虛擬環境以避免程式庫衝突，並使用Jupyter Notebook切換不同的虛擬環境。讓開發者能夠輕鬆地在不同環境中工作，提升開發效率。本文涵蓋從建立虛擬環境到管理Jupyter核心的完整步驟，適合希望優化其Python開發流程的讀者。
本文介紹如何在 nVidia Nano Python/CUDA 伺服器，遠端使用 Jupyter Notebook 編輯和執行程式。包括Jupyter Notebook 的安裝過程及其配置文件的修改，和遠端存取的機制。本文藉由接近大型公司使用的資訊安全環境的架設，期待相關學生縮短進入業界的學習曲線。
本文介紹如何在 nVidia Jetson Orin Nano 裝置上安裝 PyTorch，並運用其 Python 及 CUDA 環境進行機器學習和人工智慧的開發。提供詳細步驟。適合希望在該平臺上開展研究與開發的使用者。
輝達的 Jetson Orin Nano 是一款小型、平價但功能強大的電腦，擁有完整的平行運算與人工智慧能力；對學術或教學用途非常適合。本文將介紹如何安裝 Python 和 CUDA 環境，並探討其在遠端伺服器替代方案的優勢，是學習與研究 AI 和平行運算的理想選擇。
