Pip install的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列訂位、菜單、價格優惠和問答集

深度學習圖像識別技術

為了解決Pip install的問題，作者莊建 這樣論述：

首先講述了人工智慧、深度學習、卷積神經網路、目標檢測以及遷移學習的概念，接著詳述了如何基於Tensor Flow Object Detection API框架從零開始搭建深度學習目標檢測應用的開發環境，如何訓練自己的目標檢測模型，然後詳述了如何基於Open VINO工具套件優化模型、部署模型以及用C++和Python開發使用者應用程式。然後通過工業光學字元自動識別、垃圾瓶自動分選、農作物病害自動識別和工業產品外觀缺陷檢測4個完整的深度學習目標檢測工程案例來説明讀者加深深度學習圖形檢測的認識和理解。 《深度學習圖像識別技術：基於Tensor Flow Object Detection API和

Open VINO工具套件》適合從事AI行業相關技術的工程師閱讀，也適合打算進入AI行業的大中專院校的學生學習參考。   1. 莊建 莊建，中國科學院高能物理研究所研究員，核探測與核電子國家重點實驗室成員。參與了北京自由電子鐳射、北京正負電子對撞機、中國散裂中子源等多項大科學裝置的建設。現在主要從事大科學裝置的實驗控制及資料獲取方面的研究。 2. 張晶 張晶，浙江大學碩士，廣東榮旭智慧技術有限公司研發總監，聯合創始人；具有13年機器視覺系統開發經驗，負責深度學習外觀檢測演算法的研發；LabVIEW註冊構架師、Python程式師、英特爾物聯網創新大使、TensorFlo

w User Group東莞站組織者。 3. 許鈺雯 許鈺雯，女，現為中國科學院大學高能物理研究所電子與通信工程專業碩士研究生，主攻方向為軟體工程及深度學習應用   序 前言 第1章 人工智慧、深度學習與目標檢測 1.1 人工智慧簡介 1.1.1 什麼是人工智慧 1.1.2 人工智慧發展簡史 1.1.3 人工智慧與深度學習的關係 1.2 深度學習簡介 1.2.1 神經網路 1.2.2 神經元 1.2.3 深度神經網路 1.2.4 深度卷積神經網路 1.3 目標檢測 1.3.1 目標檢測演算法發展簡史 1.3.2 深度學習目標檢測演算法 1.4 遷移學習簡介 1.4.1

訓練深度學習模型依賴大資料 1.4.2 大資料造成的問題 1.4.3 遷移學習 1.4.4 TensorFlow預訓練模型庫 1.5 本章小結 第2章 搭建深度學習開發環境 2.1 深度學習訓練所需的硬體 2.1.1 英偉達顯卡選型 2.1.2 英偉達顯卡驅動安裝 2.1.3 測試驅動程式安裝 2.1.4 設置英特爾?集成顯卡為系統主顯示輸出 2.1.5 幻影峽谷：可擕式AI訓練“伺服器” 2.2 深度學習開發環境所需的軟體 2.3 安裝Python和Anaconda 2.3.1 Python和Anaconda簡介 2.3.2 下載並安裝Anaconda 2.3.3 測試Anaconda安

裝 2.3.4 配置Anaconda套裝軟體下載伺服器 2.3.5 配置虛擬環境tf_gpu 2.3.6 Anaconda的進階學習 2.4 安裝Visual Studio Code 2.4.1 Visual Studio Code簡介 2.4.2 安裝 2.4.3 在Visual Studio Code中編輯Python代碼 2.4.4 在Visual Studio Code中運行Python代碼 2.4.5 在Visual Studio Code中調試Python代碼 2.4.6 在Visual Studio Code安裝Pylint 2.4.7 在Visual Studio Code中一

鍵美化Python代碼 2.5 安裝TensorFlow 2.5.1 TensorFlow簡介 2.5.2 下載並安裝 2.5.3 測試安裝 2.5.4 pip install 與 conda install 2.6 安裝Git工具 2.6.1 Git簡介 2.6.2 下載並安裝 2.6.3 測試安裝 2.7 安裝TensorFlow Object Detection API框架 2.7.1 TensorFlow Object Detection API簡介 2.7.2 下載並安裝 2.7.3 安裝依賴的python套裝軟體 2.7.4 配置環境變數 2.7.5 安裝COCO API 2.7.

6 編譯proto檔 2.7.7 測試安裝 2.8 安裝LabelImg 2.8.1 LabelImg簡介 2.8.2 下載並安裝 2.8.3 測試安裝 2.9 本章小結 第3章 訓練模型 3.1 TensorFlow Object Detection API軟體框架簡介 3.2 使用TensorFlow預訓練模型 3.2.1 如何選擇預訓練模型 3.2.2 預訓練模型的檔構成 3.2.3 一個典型的深度學習訓練流程 3.3 準備圖片：下載貓狗資料集 3.3.1 Kaggle資料集下載流程 3.3.2 訓練圖片的數量問題 3.3.3 訓練圖片的樣本不平衡問題 3.4 使用LabelImg標注

圖片 3.4.1 LabelImg簡介 3.4.2 建立貓狗專案檔案夾結構 3.4.3 標注圖片 3.4.4 標注文件（*.xml）簡介 3.4.5 複製10%的資料到eval資料夾 3.4.6 複製資料到test資料夾 3.5 依據標注類型創建標籤映射文件 3.6 創建TensorFlow TFRecord文件 3.6.1 將*.xml檔轉換為*.csv文件 3.6.2 將*.csv檔轉換為*.tfrecord文件 3.7 修改預訓練模型的設定檔 3.7.1 預訓練模型的設定檔 3.7.2 設定檔的結構 3.7.3 修改ssd_inception_v2_coco.config設定檔 3.8

訓練模型 3.9 使用TensorBoard觀察訓練過程 3.9.1 什麼是TensorBoard 3.9.2 TensorBoard的使用方法 3.10 評估訓練好的模型 3.11 匯出訓練好模型的凍結圖 3.11.1 檢查點檔 3.11.2 凍結TensorFlow模型 3.12 用訓練好的凍結圖模型做目標檢測 3.13 用Python程式一鍵訓練模型 3.13.1 為新專案一鍵創建資料夾結構 3.13.2 一鍵訓練模型 3.14 本章小結 第4章 優化並部署模型 4.1 OpenVINO工具套件簡介 4.2 OpenVINO典型開發流程 4.3 安裝OpenVINO工具套件 4.3.1

版本選擇 4.3.2 系統要求 4.3.3 下載並安裝OpenVINO工具套件 4.4 安裝Cmake 4.5 安裝Microsoft Visual Studio 2017 4.6 安裝硬體驅動 4.6.1 英特爾顯卡驅動 4.6.2 英特爾神經計算棒二代驅動 4.6.3 英特爾視覺計算加速卡驅動 4.7 設置環境變數 4.8 運行演示程式 4.8.1 demo_benchmark_app.bat 4.8.2 demo_security_barrier_camera.bat 4.8.3 demo_squeezenet_download_convert_run.bat 4.9 編譯並運行Inf

erence Engine範例和演示程式 4.9.1 編譯samples資料夾中的範例 4.9.2 編譯demos資料夾中的範例 4.9.3 從Open Model Zoo中下載預訓練模型 4.9.4 下載英特爾?範例視頻 4.9.5 運行預訓練模型 4.10 使用Model Optimizer優化模型 4.10.1 轉換TensorFlow* Object Detection API模型 4.10.2 用OpenVINO工具套件範例程式測試IR模型 4.10.3 用OpenVINO工具套件演示程式測試IR模型 4.11 編寫OpenVINO應用程式 4.11.1 Inference Engi

ne簡介 4.11.2 Inference Engine Plugin構架 4.11.3 Inference Engine應用程式典型開發流程 4.11.4 查看模型的輸入和輸出張量 4.12 OpenVINO AI推理計算C++範例 4.12.1 設置環境變數和Visual Studio專案屬性 4.12.2 開發AI推理計算C++應用程式 4.12.3 切換AI推理計算硬體 4.13 OpenVINO AI推理計算Python範例 4.13.1 設置環境變數PYTHONPATH 4.13.2 開發AI推理計算Python應用程式（OpenCV版） 4.13.3 開發AI推理計算Python

應用程式（OpenVINOTM版） 4.13.4 AI推理計算用Python還是C++？ 4.14 本章小結 第5章 進一步提升AI推理計算性能 5.1 性能評價指標 5.2 同步和非同步模式 5.2.1 同步模式範例 5.2.2 非同步模式範例 5.3 多設備和異構外掛程式 5.3.1 異構外掛程式 5.3.2 多設備外掛程式 5.4 本章小結 第6章 工業領域光學字元辨識範例 6.1 專案背景 6.2 新建OCR專案工程資料夾 6.3 收集並標注圖片 6.4 訓練模型 6.5 匯出TensorFlow凍結圖模型 6.6 測試模型 6.7 基於OpenVINO工具套件優化並加速模型 6.

8 基於OpenVINO工具套件部署模型 6.9 本章小結 第7章 垃圾瓶自動分選專案範例 7.1 專案背景 7.2 新建垃圾瓶分類專案工程資料夾 7.3 收集並標注圖片 7.4 訓練模型 7.5 匯出TensorFlow凍結圖模型 7.6 測試模型 7.7 基於OpenVINO工具套件優化並加速模型 7.8 基於OpenVINO工具套件部署模型 7.9 本章小結 第8章 農作物病蟲害自動識別專案範例 8.1 專案背景 8.2 新建農作物病蟲害自動識別專案工程資料夾 8.3 收集並標注圖片 8.4 訓練模型 8.5 匯出TensorFlow凍結圖模型 8.6 測試模型 8.7 基於Open

VINO工具套件優化並加速模型 8.8 基於OpenVINO工具套件部署模型 8.9 本章小結 第9章 深度學習外觀缺陷檢測專案範例 9.1 專案背景 9.2 新建外觀缺陷檢測專案工程資料夾 9.3 收集並標注圖片 9.4 訓練模型 9.5 匯出TensorFlow凍結圖模型 9.6 測試模型 9.7 基於OpenVINO工具套件優化並加速模型 9.8 基於OpenVINO工具套件部署模型 9.9 本章小結 參考文獻

Pip install進入發燒排行的影片

在企業機器學習專案使用開發框架的效益

為了解決Pip install的問題，作者吳明臻 這樣論述：

隨著人工智慧的興起與軟硬體設備的快速進步，機器學習得以蓬勃發展，並且可以應用的範圍也逐漸擴大，機器學習的使用在企業之中也逐漸普及與越發重要。然而在一般企業，編寫機器學習程式的過程往往沒有固定的編寫格式，造成不同程式撰寫人員或在不同團隊間所產出的程式在配置上有著顯著的差異，比較資淺的工程師也往往只能模仿以往既有的程式。這種沒有明確規範的做法，會導致後續人員操作管理與維護上的不便。要如何減少程式管理上的支出成本也就成為每個企業都需要解決的問題，因此本論文為探討開源的機器學習開發框架—Kedro，探討是否可在企業機器學習程式撰寫提供一個標準的程序，同時研究是否可以加速機器學習程式的開發，以及相關人

員的教育訓練過程。在企業中，開發團隊常常需要和需求單位討論，如果開發框架本身可以提供整體架構的呈現，對討論的過程會提供相當的幫助。

零起點Python足彩大數據與機器學習實盤分析

為了解決Pip install的問題，作者何海群 這樣論述：

使用Python編程語言、Pandas數據分析模塊、機器學習和人工智能算法對足彩大數據進行實盤分析，設計並發布了開源大數據項目tfbDat足彩數據包，匯總了2010—2017年全球近7萬場足球比賽的賽事和賠率數據。此外，還介紹使用Python語言抓取網頁數據、下載更新tfbDat足彩數據包、預測和分析比賽球隊的取勝概率，同時提出了檢測人工智能算法優劣的「足彩圖靈」法則。 第1章 足彩與數據分析 1.1 「阿爾法狗」與足彩 1.2 案例1-1：可怕的英國足球 1.3 關於足彩的幾個誤區 1.4 足彩·大事件 1.5 大數據圖靈（足彩）原則 1.6 主

要在線彩票資源 1.7 主要在線足彩數據源 1.8 足彩基礎知識 1.9 學習路線圖第2章 開發環境 2.1 數據分析首選Python 2.1.1 大數據，why Python 2.1.2 入門簡單，功能強大 2.1.3 難度降低90%，性能提高10倍 2.1.4 「零對象」編程模式 2.2 用戶運行平台 2.3 程序目錄結構 2.4 tfbDat足彩數據包 2.5 Spyder編輯器界面設置 2.5.1 開發環境界面設置 2.5.2 代碼配色技巧 2.5.3 圖像顯示配置 2.5.4 重劍無鋒

2.6 Notebook模式 2.7 模塊庫控制面板 2.7.1 模塊庫資源 2.7.2 模塊庫維護更新 2.7.3 系統關聯 2.8 使用pip命令更新模塊庫 2.8.1 pip常用命令 2.8.2 進入Python命令行模式 2.8.3 pip安裝模板 2.8.4 pip參數解釋 2.8.5 pip-install參數選項第3章 入門案例套餐 3.1 案例3-1：第一次編程，「hello,ziwang」 3.1.1 簡單調試 3.1.2 控制台復位 3.2 案例3-2：增強版「hello,

ziwang」 3.3 案例3-3：列舉系統模塊庫清單 3.4 案例3-4：常用繪圖風格 3.5 案例3-5：Pandas常用繪圖風格 3.6 案例3-6：常用顏色表cors第4章 足彩量化分析系統 4.1 功能簡介 4.1.1 目錄結構 4.1.2 TFB安裝與更新第5章 常用數據分析工具第6章 輔助工具第7章 網絡足彩數據抓取第8章 足彩數據回溯測試第9章 參數智能尋優第10章 Python人工智能入門與實踐第11章 機器學習經典算法案例（上）第12章 機器學習經典算法案例（下）第13章 機器學習組合算法第14章 足彩機器學習模型構

建第15章 足彩機器學習模型驗證第16章 結果數據分析第17章 機器學習足彩實盤分析

台灣公用事業規模定軸太陽能電力系統之傾斜角與方位角設計影響探討

為了解決Pip install的問題，作者夏源宏 這樣論述：

為了解決氣候變遷與在2050年達成淨零碳排的願景，台灣在近十年內積極推動綠能，其中太陽能是重點發展的項目。對公用事業規模太陽能系統的，引起對該系統運作效率與增進效能方法的探討。在此研究中，將在台灣取12個城市做為範例，探討傾斜角與方向角因素對於公用事業規模之定軸太陽能系統之影響。首先，根據目前已知的資訊，各縣市公用事業規模太陽能系統最務實的傾斜角如下：雲林、台南、高雄與嘉義最理想運作傾角，約落在10至12度之間；台中、恆春、屏東、新竹與苗栗，於10度左右的傾斜角具最佳的發電效率表現；而8度左右的傾斜角，適合如花蓮、宜蘭及台北等縣市。除此之外，每個縣市的太陽能系統傾斜角，需要匹配其所在縣市最優

數值以獲得最大效益。於研究過程中，發現相同傾斜角的太陽能系統，設置在雲林與台北，對照比對其發電量，差距可達14.1%。其次，若以發電量最高為出發點，探討所列台灣縣市中，最適合設置太陽能系統地點，雲林拔得頭籌、台南則居次、其他依序如下：高雄、恆春、嘉義、花蓮、新竹、苗栗、台中、宜蘭、台北，屏東位列最末位；總體而言，南部縣市設置太陽能系統的效益優於北部縣市。再者，全南向系統(方向角為0度)設置雖能獲得最佳全年發電量，礙於現地地點與環境的既存限制，使得太陽能系統需偏轉模組方向角以配合現地條件，而偏轉方向角數值應限制在20度以內為佳；最後，在兩年的系統運轉預測數值中，周邊氣象站收集的全球太陽輻射數值分

別上升7.22%與8.77%，使得兩年的發電量分別增加13.21%與21%；案例研究中斬獲比較性結果顯示，PVsyst所預測的第一年發電量相當準確，但往後幾年的預測數值會因天氣等條件，大幅影響系統表現，而提升預測難度。