關於神經網路的輸出輸入，我們在網路上蒐集到這些相關的討論、資訊與評價

「神經網路的輸出輸入」的推薦目錄：

關於神經網路的輸出輸入在 COMPOTECHAsia電子與電腦 - 陸克文化 Facebook 的最讚貼文
關於神經網路的輸出輸入在台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
關於神經網路的輸出輸入在台灣物聯網實驗室 IOT Labs Facebook 的最佳解答

關於神經網路的輸出輸入在范琪斐 Youtube 的精選貼文

神經網路的輸出輸入在 COMPOTECHAsia電子與電腦 - 陸克文化 Facebook 的最讚貼文

2021-08-20 14:30:40 有 4 人按讚

#微控制器MCU #微處理器MPU #物聯網IoT #人工智慧AI #機器學習ML #微神經網路處理器microNPU #機密計算架構CCA #RISC-V

【多核、異構，MCU/MPU 不一樣了！】

越來越多包含微控制器 (MCU)、微處理器 (MPU) 設備加入數位化行列，且朝「多重處理器」趨勢邁進，每個 MCU 內部都是一顆 CPU (中央處理單元)，有些還會配置第二或第三核心負責處理專屬功能，包括從無線電到機器學習 (ML) 等各種任務；而單晶片 (SoC) 架構的挑戰是：平衡元件要求、以更高的效率完成任務，多重核心在這方面將持續扮演重要角色，包括管理通訊、資料、排程等作業也將變得更加複雜，其最大挑戰很可能是如何管理在多重核心元件上運行的軟體。

各界普遍認同摩爾定律與 Dennard 縮放比例定律已近終點，但運算需求的成長速度卻日漸加快，因此，未來將會需要更加複雜的異質化 SoC 架構。與此同時，MCU 與 MPU 的界線越來越模糊，有產業先進認為其中一個主要區別是：工作頻率。此外，MCU 屬於單核架構，專注在控制層面、涵蓋類比輸入與輸出的控制動作；而 MPU 可能是單核心或多核心，專注於處理資料、而非處理或量測類比輸入或輸出訊號，幾乎都會用外部記憶體來存放程式資料，速度屬次要參數。

實際上，高性能的 MCU 已經可以運行作業系統。值得留意的是，RISC-V 市佔率正持續攀升，尤其低階 MCU 領域已逐漸取代 Arm 32 位元 MCU (Cortex-M)，恩智浦 (NXP) 則計劃在某些新處理器子系統中將 RISC-V 作為共同處理器。芯科科技 (Silicon Labs) 認為：RISC-V 架構仍在持續演進，相比其他成熟的 RISC 價格，最大的差異是忠誠度、可用的工具、軟體以及新架構在沒有大量測試及實用基礎下的信心度等，其成長性或與成熟度互為因果。

延伸閱讀：
《數位化轉型中的 MCU》
http://www.compotechasia.com/a/feature/2021/0813/48768.html

#安謀Arm #Imagination #恩智浦NXP #芯科科技SiliconLabs #意法半導體ST

Tags: 神經網路的輸出輸入微控制器MCU 微處理器MPU 物聯網IoT 人工智慧AI 機器學習ML 微神經網路處理器microNPU 機密計算架構CCA RISC 安謀Arm Imagination 恩智浦NXP 芯科科技SiliconLabs 意法半導體ST

COMPOTECHAsia電子與電腦 - 陸克文化

About author

2002年，憑藉獨特敏銳度察覺到電子業界需求，《COMPOTECHAsia電子與電腦》於中國大陸取得《COMPOTECHChina》月刊發行權，為初到海外發展及當地讀者出具最具前瞻性且中肯的觀察，具有相當影響力，也成為一流國際大廠競相展示研發心血的首選。 2006年，有鑑於網路環境日趨成熟，《COMPOTECHAsia電子與電腦》再度領先同業，首創線上視頻平台CTOV (COMPOTECH Online Video)。自此，成為整合紙本、網站、電子報及線上視頻的全方位媒體。 2016年，為貫徹市場應用及開發技術的連結並擴大群眾基礎，陸續展開 Facebook、Twitter、LinkedIn 等社群平台經營。「就市論勢、就勢論市」是我們的信念。我們將於每週一、三、五下午在 FB 分享生活中隨處可見的科普知識，以平易近人的方式，用不一樣的角度觀察市場趨勢和技術走向，並不定時穿插轉載網路精彩佳作或趣聞。記得設為「搶先看」哦！ “COMPOTECHAsia/ China” issue on 8th monthly. It is the dependent media which focuses on electronic industry situation, end user market, and technology trend. The monthly magazine has become the main channel to get professional information for engineers, purchaser, R&D employees and decision-making management. We perceived the demand of electronic industry and strive to get the distribution rights of “China Edition” in Mainland China in 2002. It gives a lot of prospective and proper observation for the overseas workers and local readers. Gradually, COMPOTECH is getting to be the powerful. Nowadays, COMPOTECH is the first-choice platform for the first-class firms to display their R&D results. Furthermore, in 2006, we were ahead of our competitors to build the CTOV platform (COMPOTECH Online Video) due to the mature internet environment. Since then, COMPOTECH has become the integrated media. For having a thorough knowledge of market applications and technology migration, as well as expanding the base of the masses, we begin to manage the Facebook, Twitter and LinkedIn etc. in 2016.

智能系統設計／應用工程師、產品／專案開發主管、元器件／零組件／準系統採購者的交流園地，於每週一、三、五下午分享【科技應用取向】的趨勢議題。

神經網路的輸出輸入在台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文

By 台灣物聯網實驗室 IOT Labs

2021-08-02 12:44:02 有 0 人按讚

為了讓 AI 不斷打怪升級，DeepMind 打造「宇宙」

作者雷鋒網 | 發布日期 2021 年 07 月 30 日 8:15 |

DeepMind 又給我們小驚喜。我們都知道，強化學習苦於類化能力差，經常只能針對單個任務從頭學習。

DeepMind之前開發的AlphaZero，儘管可以玩圍棋、西洋棋和日本將棋，但每種棋牌遊戲都只能從頭訓練。類化能力差也是AI一直被詬病為人工智障的一大原因。人類智慧的厲害之處，就在藉鑑之前經驗迅速適應新環境。

但類化能力不是一蹴而就，就像玩遊戲，也是先做簡單任務，逐步升級到複雜任務。《空洞騎士》（Hollow Knight）一開始只需要隨意走動揮刀砍怪，但噩夢級難度的「苦痛之路」關，沒有前面累積的技巧，只能玩寂寞。

多任務宇宙

DeepMind此次採用「課程學習」，讓智慧體於不斷擴展升級的開放世界學習。也就是說，AI新任務（訓練資料）是基於舊任務不斷生成。智慧體可盡情鍛鍊自己，簡單的如「靠近紫色立方體」，複雜點的如「靠近紫色立方體或將黃色球體放在紅色地板」，甚至和其他智慧體玩耍，如捉迷藏──「找到對方，且不要被對方發現」。

每個小遊戲存在世界小角落，千千萬萬個小角落拼成龐大的物理模擬世界，如下圖的幾何「地球」。總體來說這個世界的任務由三個要素構成，即任務＝遊戲＋世界＋玩家，並根據三要素關係，決定任務的複雜度。

複雜度的判斷有四個維度：競爭性、平衡性、可選項、探索難度。

比如「搶方塊」遊戲，藍色智慧體需要把黃色方塊放到白色區域，紅色智慧體需要把黃色方塊放到藍色區域。這兩個目標矛盾，因此競爭性較強；同時雙方條件對等，平衡性比較高；因目標簡單，所以可選項少；DeepMind把探索難度評為中上，可能是因定位區域算較複雜的場景。

再如「球球喜歡和方塊一起玩」遊戲，藍色和紅色智慧體有共同目標，讓相同顏色的球體和方塊放在相近位置。

這時競爭性自然很低，平衡性毋庸置疑很高的；可選項比上面遊戲高很多；探索難度沒有定位區域，智慧體隨便把球體和方塊放哪都行，難度就變小了。

基於這四個維度，DeepMind打造超大規模「宇宙」任務空間，幾何「地球」也只是這宇宙的小角落，是四維任務空間的一點。DeepMind將「宇宙」命名為XLand，包含數十億個任務。

來看XLand的全貌，由一系列遊戲組成，每個遊戲在許多模擬世界進行，這些世界的拓樸和特徵平滑變化。

終生學習

數據有了，接下來得找到合適的算法。 DeepMind發現，目標注意代理（GOAT）可學習更通用的策略。

具體來說，智慧體輸入包括第一視角的RGB圖像、本體感覺以及目標。經過初步處理後，生成中間輸出，傳遞給GOAT模組，會根據智慧體目前目標處理中間輸出的特定部分，邏輯分析目標。

邏輯分析是指，每個遊戲可藉由一些方法，構建另一個遊戲，並限制策略的價值函數的最優值上限或下限。

DeepMind提出一個問題：對每個智慧體，什麼樣的任務是最好的？換句話說，打怪升級時，什麼樣的關卡設置才讓玩家順利升級為「真」高手，而不是一刀9999？

DeepMind的答案是，每個新任務都基於舊任務生成，「不會太難，也不會太容易」。其實恰好是讓人類學習時感覺「爽」的興奮點。

訓練開始時，太難或太容易的任務可能會鼓勵早期學習，但會導致訓練後期的學習飽和或停滯。不要求智慧體某任務非常優秀，而是鼓勵終身學習，即不斷適應新任務。所謂太難、太容易是較模糊的描述。需要量化方法，在新任務和舊任務之間彈性連接。

怎麼不讓智慧體做新任務時不適應而「暴死」？進化學習就提供很好的靈活性。總體來說，新任務和舊任務同時進行，且每個任務有多智慧體參與「競爭」。舊任務適應好的智慧體，會選拔到新任務繼續學習。

新任務中，舊任務的優秀智慧體權重、瞬間任務分佈、超參數都會複製，參與新一輪「競爭」。除了舊任務的優秀智慧體，還有很多新人參與，這就引進隨機性、創新性、靈活性，不用擔心「暴死」問題。

當然，因任務不斷生成、動態變化，一個任務可訓練不同長處的智慧體，並往不同方向演化（隨著智慧體相對性能和強健性進行）。最終每個智慧體都會形成擅長任務的集合，就像春秋戰國時期「百家爭鳴」。說打怪升級顯得格局小，簡直是模擬地球。

DeepMind表示，「這種組合學習系統的特性是，不最佳化有界性能指標，而是更新定義的通用能力範圍，這使智慧體開放式學習，僅受環境空間和智慧體的神經網路表達能力的限制。」

智慧初現

最終這複雜「宇宙」升級、進化、分流的智慧體長成了什麼優秀物種？DeepMind說，智慧體有很明顯的零樣本學習能力，比如使用工具、合圍、數數、合作＋競爭等。

來看具體例子。首先智慧體學會臨機應變。目標有三個：

黑色金字塔放到黃色球體旁邊
紫色球體放到黃色金字塔旁邊
黑色金字塔放到橙色地板

AI一開始找到一個黑色金字塔，想拿到橙色地板（目標3），但搬運過程瞄見黃色球體，瞬間改變主意，「我可以實現目標1啦」，將黑色金字塔放到黃色球體旁邊。

第二個例子是，不會跳高，怎麼拿到高台上的紫色金字塔？智慧體需要想辦法突破障礙，取得高台上的紫色金字塔，高台周邊並沒有類似階梯、斜坡的路。

因不會跳高，所以智慧體「掀桌子」，把周邊幾塊豎起來的板子弄倒。然後一塊黑色石板剛好倒在高台邊，「等等，這不就是我要的階梯嗎？」這過程是否體現了慧體的智慧，還無法肯定，可能只是一時幸運。關鍵還是，要看統計數據。

經過5代訓練，智慧體在XLand的4千個獨立世界玩了約70萬個獨立遊戲，涉及340萬個獨立任務，最後一代每個智慧體都經歷2千億次訓練步驟。智慧體已能順利參與幾乎每個評估任務，除了少數即使人類也無法完成的任務。

DeepMind的研究，或許一定程度體現「密集學習」重要性。也就是說，不僅資料量要大，任務量也要大。這也使得智慧體在類化能力有很好表現，如資料顯示，只需對一些新複雜任務進行30分鐘集中訓練，智慧體就可快速適應，而從頭開始用強化學習訓練的智慧體根本無法學習這些任務。

往後我們也期待這「宇宙」更複雜和生機勃勃，AI經過不斷演化，不斷給我們帶來驚喜（細思極恐）的體驗。

資料來源：https://technews.tw/2021/07/30/deepmind_xland/

Tags: 神經網路的輸出輸入

台灣物聯網實驗室 IOT Labs

About author

本專頁將不定時網羅搜集國內外與物聯網相關新聞及技術，並無條件與 IOT 從業人員或對物聯網有興趣的大眾分享，若有任何不足或建議之處，歡迎隨時留言，一起研究研究。^.^

神經網路的輸出輸入在台灣物聯網實驗室 IOT Labs Facebook 的最佳解答

By 台灣物聯網實驗室 IOT Labs

2021-05-29 18:18:27 有 0 人按讚

機器學習識別特徵阻絕代測　上鏈回送監理資料庫防竄改

人臉辨識加酒精鎖阻酒駕　串區塊鏈上傳比對告警

2021-05-24社團法人台灣E化資安分析管理協會元智大學多媒體安全與影像處理實驗室

本文將介紹酒精防偽人臉影像辨識系統，結合了人臉辨識、酒精鎖以及區塊鏈應用，以解決酒駕問題，並透過監控系統避免代測狀況發生。且利用區塊鏈不可修改的特性，將車輛與人臉資料串上區塊鏈，以確保駕駛人的不可否認性。

長長期以來「酒駕」都是一個很嚴肅且必須被重視的議題，儘管在2019年立法院修法酒駕及拒絕酒測的罰則，但是抱持僥倖心態的人還是數不勝數，導致因酒駕釀成車禍的悲劇還是一再重演，讓不少的家庭因此破滅。

據統計，從2015年到2018年的酒駕取締件數都逾10萬件，而因為酒駕車禍的死亡人數逾百人。在2019年酒駕新制上路以後，2020年警方酒駕取締件數有明顯下降至約6萬件，雖然成功達到嚇阻效果，但是死亡人數仍與去年前年持平，可見離完全遏止酒駕還有很長的路需要努力。

立法院於2018年三讀通過了「道路交通管理處罰條例部分條文修正案」，酒駕者必須重新考照，並且只能駕駛具有酒精鎖（Alcohol Interlock）的車輛，所謂酒精鎖，屬於車輛點火自動鎖定裝置，在汽車發動前必須進行酒測，通過才能將汽車發動，而且在每45分鐘至60分鐘後酒精鎖系統就會要求駕駛人在一定時間內進行重新酒測，以便防範在行車過程中有飲酒的情況發生，若駕駛人未遵守其要求，車子就會強制熄火並鎖死，必須回酒精鎖服務中心才能將鎖解開。

由於法案的方式無法完全遏止酒駕，因此許多創新科技或是企業致力於研究相關科技來解決酒駕的問題。

其中本田（Honda）汽車與日立（Hitachi）公司研發出手持型酒精含量檢測裝置，讓駕駛人必須在駕駛之前都先進行酒測，若酒精濃度超標就會將汽車載具上鎖，藉此避免酒駕意外或事故發生，且該技術結合了智慧鑰匙功能，若偵測到酒測值超標，車輛中的顯示面板將會發出警告訊號告知駕駛人，避免酒駕上路之問題。

另一方面則是解決酒精殘值之問題，因為有許多駕駛人都會認為，休息一下後，身體也無感到不適，即駕車出門，等到駕駛人被警方臨檢時才知道酒測未通過，因此收到罰單，甚至是吊銷駕照處罰等。

根據醫學研究指出，酒精是在人體體內由肝臟代謝，實際代謝時間必須看體質以及飲酒量而定。台灣酒駕防制社會關懷協會建議，喝酒後至少要10至20小時後再駕車比較安全。多數人無具備酒精代謝時間的觀念，導致駕駛人貿然上路，待意外發生或罰單臨頭時，已經為時已晚。

背景知識說明

本文介紹的方法為酒精鎖結合攝影鏡頭進行人臉辨識，並將人臉特徵資料與車輛資料串上區塊鏈，並利用區塊鏈不可篡改的特性，來避免駕駛人在解鎖酒精鎖時發生他人代測的問題。

由於人臉辨識技術具備防偽性、身分驗證的特性，因此將酒精鎖的技術結合人臉辨識，便可確認為駕駛本人。

何謂人臉辨識

人臉辨識技術屬於生物辨識的一種，基於人工智慧、機器學習、深度學習等技術，將大量人臉的資料輸入至電腦中做為模型訓練的素材，讓電腦透過演算法學習人類的面部特徵，藉以歸納其關聯性最後輸出人臉的特徵模型。

目前人臉辨識技術已經遍佈在日常生活之中，其應用面廣泛，最為常見的應用即為智慧型手機的解鎖、行動支付如LINE Pay、Apple Pay等，其他應用還包括行動網路銀行、網路郵局、社區大樓門禁管理系統、企業監控系統、機場出入關、智能ATM、中國天眼系統等。一般來說，人臉辨識皆具備以下幾個特性：

‧ 普遍性：屬於任何人皆擁有的特徵。

‧ 唯一性：除本人以外，其他人不具相同的特徵。

‧ 永續性：特徵不易隨著短時間有大幅的改變。

‧ 方便性：人臉辨識容易實施，設備容易取得，如相機鏡頭。

‧ 非接觸性：不須直接接觸儀器，也可以進行辨識，這部分考量到衛生問題以及辨識速度。

人臉辨識透過人臉特徵的分析比對進行身分的驗證，別於其他生物辨識如虹膜辨識、指紋辨識，無須近距離接觸，也可以精準地辨識身分，且具有同時辨識多人的能力。因應新冠肺炎疫情肆虐全球，人臉辨識技術也被用來管理人來人往的人流。人臉辨識的儀器可以搭配紅外線攝影機來測量人體體溫，在門禁進出管制系統中，利於提高管理效率，有效掌握到進出人員的身分，以及幫助衛生福利部在做疫調時更容易掌握到確診病患行經的足跡。

人臉辨識的步驟

人臉辨識的過程與步驟，包括人臉偵測、人臉校正、人臉特徵值的摘取，進行機器學習與深度學習、輸出人臉模型，從影像中先尋找目標人臉，偵測到目標後會將人臉進行預處理、灰階化、校正，並摘取特徵值，接著人臉資料交給電腦進行機器學習與深度學習運算，最後輸出已訓練好的模型。相關辨識的步驟，如圖1所示。

人臉偵測

基於Haar臉部檢測器的基本思想，對於一個一般的正臉而言，眼睛周圍的亮度較前額與臉頰暗、嘴巴比臉頰暗等其他明顯特徵。基於這樣的模式進行數千、數萬次的訓練，所訓練出的人臉模型，其訓練時間可能為幾個小時甚至幾天到幾周不等。利用已經訓練好的Haar人臉特徵模型，可以有效地在影像中偵測到人臉。

Python中的Dilb函式庫提供了訓練好的人臉模型，可以偵測出人臉的68個特徵點，包括臉的輪廓、眉毛、眼睛、鼻子、嘴巴。基於這些特徵點的資料就能夠進行人臉偵測，如圖2～4所示。圖中左上角的部分是偵測到的分數，若分數越高，代表該張影像就越可能是人臉，右側括弧中的編號代表子偵測器的編號，代表人臉的方向，其中0為正面、1為左側、2為右側。

人臉的預處理

偵測到人臉後，要針對圖片進行預處理。通常訓練的影像與攝影鏡頭拍出來的照片會有很大的不同，尤其會受到燈光、角度、表情等影響，為了改善這類問題，必須對圖片進行預處理以減少這類的問題，其中訓練的資料集也很重要：

‧ 幾何變換與裁剪：將影像中的人臉對齊與校正，將影像中不重要的部分進行裁切，並旋轉人臉，並使眼睛保持水平。

‧ 針對人臉的兩側用直方圖均衡化：可以增強影像中的對比度，可以改善過曝的影像或是曝光不足的問題，更有效地顯示與取得人臉目標的特徵點。

‧ 影像平滑化：影像在傳遞的過程中若受到通道、劣質取樣系統或是受到其他干擾導致影像變得粗糙，藉由使用圖形平滑處理，可以減少影像中的鋸齒效應和雜訊。

人臉特徵摘取

關於人臉特徵摘取，相關的技術說明如下：

‧ 歐式距離：人臉辨識是一個監督式學習，利用建立好的人臉模型，將測試資料和訓練資料進行匹配，最直觀的方式就是利用歐式距離來計算所有測試資料與訓練資料之間的距離，選擇差距最小者的影像作為辨識結果。由於人臉資料過於複雜，且需要大量的訓練集資料與測試集資料，會導致計算量過大，使辨識的速度過於緩慢，因此需要透過主成分分析法（Principal Components Analysis，PCA）來解決此問題。

‧ 主成分分析法：主成分分析法為統計學中的方法，目的是將大量且複雜的人臉資料進行降維，只保留影像中的主成分，即為影像中的關鍵像素，以在維持精確度的前提下加快辨識的速度。先將原本的二維影像資料每列資料減掉平均值，並計算協方差矩陣且取得特徵值與特徵向量，接著將訓練集與測試集的資料進行降維，讓新的像素矩陣中只保留主成分，最後則將降維後的測試資料與訓練資料做匹配，選擇距離最近者為辨識的結果。由於影像資料經過了降維的步驟，因此人臉辨識的速度將會大幅度地提升。

‧ 卷積神經網路：卷積神經網路（Convolutional Neural Network，CNN）是一種神經網路的架構，在影像辨識、人臉辨識至自駕車領域中都被廣泛運用，是深度學習（Deep Learning）中重要的一部分。主要的目的是透過濾波器對影像進行卷積、池化運算，藉此來提取圖片的特徵，並進行分類、辨識、訓練模型等作業。在人臉辨識的應用中，首先會輸入人臉的影像，再透過CNN從影像提取像素特徵並轉換成特定形式輸出，並用輸出的資料集進行訓練、辨識等等。

何謂酒精鎖

酒精鎖（圖5）是一種裝置在車輛載體中的配備，讓駕駛人必須在汽車發動前進行酒測，通過後才能將車輛發動。且每隔45分鐘至60分鐘會發出要求，讓駕駛人在時間內再次進行檢測。

根據歐盟經驗，提高罰款金額以及吊銷駕照只有在短期實施有效，只有勸阻的效果，若在執法上不夠嚴謹，被吊照者會轉變成無照駕駛，因此防止酒駕最有效的方法就是強制讓駕駛人無法上路，這就是「酒精鎖」的設計精神。

在本國2020年3月1日起酒駕新制通過後，針對酒駕犯有了更明確且更嚴厲的規定，在酒駕被吊銷駕照者重考後，一年內車輛要裝酒精鎖，未通過酒測者無法啟動，且必須上15小時的教育訓練才能重考，若酒駕累犯三次，要接受酒癮評估治療滿一年、十二次才能重考。

許多民眾對於「酒精鎖」議論紛紛，懷疑是否會發生找其他人代吹酒精鎖的疑慮，為防範此問題，酒精鎖在啟動後的五分鐘內重新進行吹氣，且汽車在行駛期間的每45至60分鐘內，便會隨機要求駕駛重新進行酒測，如果沒有通過測量或是沒有測量，整合在汽車智慧顯示面板的酒精鎖便會發出警告，並勸告駕駛停止駕車。

對於酒精鎖的實施，目前無法完全普及到每一台車子，而且對於沒有飲酒習慣的民眾而言，根本是多此一舉，反而增加不少麻煩給駕駛。若還有每45～60分鐘的隨機檢測，會導致多輛汽車必須臨時停靠路邊進行檢測，可能加劇汽車違規停車的發生頻率。

認識區塊鏈

區塊鏈技術是一種不依賴於第三方，透過分散式節點（Peer to Peer，P2P）來進行網路數據的存儲、交易與驗證的技術方法。本質上就是一個去中心化的資料庫，任何人在任何時間都可以依照相同的技術標準將訊息打包成區塊並串上區塊鏈，而這些被串上區塊鏈的區塊無法再被更改。區塊鏈技術主要依靠了密碼學與HASH來保護訊息安全，也是賦予區塊鏈技術具有高安全性、不可篡改性以及去中心化的關鍵。區塊鏈相關概念，如圖6所示。

區塊鏈的原理與特性

可以將區塊鏈想像成是一個大型公開帳本，網路上的每個節點都擁有完整的帳本備份，當產生一筆交易時，會將這筆交易廣播到各個節點，而每個節點會將未驗證的交易HASH值收集至區塊內。接著，每個節點進行工作量證明，選取計算最快的節點進行這些交易的驗證，完成後會把區塊廣播給到其他節點，其他節點會再度確認區塊中包含的交易是否有效，驗證過後才會接受區塊並串上區塊鏈，此時就無法再將資料進行篡改。

關於區塊鏈的特性，可分成以下四部分做說明：

1. 去中心化：區塊鏈其中一個最重要的核心宗旨，就是「去中心化」，區塊鏈採用分散式的點對點傳輸，該概念架構中，節點與節點之中沒有所謂的中心，所有的操作都部署在分散式的節點中，而無須部署在中心化機構的伺服器，一筆交易或資料的傳輸不再需要第三方的介入，因此又可以說每個節點就是所謂的「中心」。這樣的結構也加強了區塊鏈的穩定性，不會因為其中的部分節點故障而癱瘓整個區塊鏈的結構。

2. 不可篡改性：透過密碼學與雜湊函數的運用來將資料打包成區塊並上鏈，所有區塊都有屬於它的時間戳記，並依照時間順序排序，而所有節點的帳本資料中又記錄了完整的歷史內容，讓區塊鏈無法進行更改或是更改成本很高，因此使區塊鏈具備「不可篡改性」，並且同時確保了資料的完整性、安全性以及真實性。

3. 可追溯性：區塊鏈是一種鏈式的資料結構，鏈上的訊息區塊依照時間的順序環環相扣，這便使得區塊鏈具有可追溯的特性。可追本溯源的特性適用在廣泛的領域中，如供應鏈、版權保護、醫療、學歷認證等。區塊鏈就如同記帳帳本一般，每筆交易記錄著時間和訊息內容，若要進行資料的更改，則會視為一筆新的交易，且舊的紀錄仍會存在無法更動，因此仍可依照過去的交易事件進行追溯。

4. 匿名性：在去中心化的結構下，節點與節點之間不分主從關係，且每個節點中都擁有一本完整的帳本，因此區塊鏈系統是公開透明的。此時，個人資料與訊息內容的隱私就非常重要，區塊鏈技術運用了HASH運算、非對稱式加密與數位簽章等其他密碼學技術，讓節點資料在完全開放的情況下，也能保護隱私以及用戶的匿名性。

區塊鏈與酒精鎖

由於區塊鏈的技術具備去中心化、記錄時間以及不可篡改的特性，且更加強酒精鎖的檢測需要身分驗證的保證性。當進行酒精鎖檢測解鎖時，系統記錄駕駛人吹氣時間以及車輛的相關資訊，還有人臉特徵資料打包成區塊並串上區塊鏈。因此，在同一時間當監控系統偵測到當前駕駛人與吹氣人不同時，此時區塊鏈中所記錄的資料便能成為一個強而有力的依據，同時也能讓其他的違規或違法事件可以更容易進行追溯。

酒駕防偽人臉辨識系統介紹

為了解決酒精鎖發生駕駛人代測的問題，酒精鎖產品應導入具有身分驗證性的人臉辨識技術。酒駕防偽人臉辨識系統即為駕駛人在進行酒精鎖解鎖時，要同時進行人臉辨識，來確保駕駛人與吹氣人為同一人。

在駕駛座前方的位置會安裝攝影鏡頭，作為駕駛的監控裝置。進行酒測吹氣的人臉資料將會輸入到該系統中的資料庫儲存，並將人臉資料以及酒測的時間戳記打包成區塊串上區塊鏈，當汽車已經駛動時，攝影鏡頭將會將當前駕駛人畫面傳回系統進行人臉比對驗證。如果驗證成功，會將通過的紀錄與時間戳一同上傳至區塊鏈，若是系統偵測到駕駛人與吹氣人為不同對象，系統將發出警示要求駕駛停車並重新進行檢測，並同時將此次異常的情況進行記錄上傳到區塊鏈中。

如果駕駛持續不遵循系統指示仍持續行駛，該系統會將區塊鏈的紀錄傳送回給開罰的相關單位，並同時發出警報以告知附近用路人該車輛處於異常情況，應先行迴避。且該車輛於熄火後，酒精鎖會將車輛上鎖，必須聯絡酒精鎖廠商或酒精鎖服務中心才能解鎖。相關的系統概念流程圖，如圖7所示。

區塊鏈打包上鏈模擬

在進行酒測解鎖完畢以及進行人臉資料儲存後，會透過CNN將影像轉換輸出成128維的特徵向量作為人臉資料的測量值，接著將128個人臉特徵向量資料取出，並隨著車輛資訊一起打包到同一個區塊，然後串上區塊鏈。取出的人臉特徵資料，如圖8所示。

要打包成區塊和上鏈的內容，包括了人臉特徵資料、車牌號碼、酒測解鎖時間點等相關輔助資料，接著透過雜湊函數將相關的資料打包成區塊。以車牌號碼ABC-1234為例，圖9顯示將車輛資料和人臉資料進行區塊鏈的打包，並進行HASH運算。

將人臉資料和車輛相關資料作為一次的交易內容，並打包區塊，經過HASH後的結果如圖10所示，其中prev_hash屬性代表鏈結串列指向前一筆資料，由於這是實作模擬情境，並無上一筆資料，其中messages屬性代表內容數，一筆代表車牌資料，另一筆則為人臉資料。time屬性則代表區塊上鏈的時間點，代表車輛解鎖的時間點。

情境演練說明

話說小禛是一間企業的上班族，平時以開車為上下班的交通工具，他的汽車配置了酒駕防偽影像辨識系統，以下模擬小禛下班後準備開車的情境。

已經下班的小禛今天打算從公司開車回家，當小禛上車準備發動車子時，他必須先拿起安裝在車上的酒測器進行吹氣，並將臉對準攝影鏡頭讓系統取得小禛的人臉影像。小禛在汽車發動前的人臉影像，如圖11所示。

待攝影鏡頭偵測到小禛的人臉後，接著系統便會擷取臉上五官的68個特徵點，如圖12所示。然後，相關數據再透過CNN轉換輸出成128維的特徵向量作為人臉資料的測量值，如圖13所示。

酒精鎖通過解鎖後，車輛隨之發動，解鎖成功的時間點將會記錄成時間戳記，隨著影像與相關資料串上區塊鏈。在行駛途中，設置在駕駛座前方的鏡頭將擷取目前駕駛的人臉，以取得駕駛人的128維人臉特徵向量測量值，並且與汽車發動前所存入的人臉資料進行比對，藉以判斷目前的駕駛人與剛才的吹氣人臉是否為同一位駕駛。當驗證通過後，也會再將通過的紀錄與時間戳上傳至區塊鏈中，如此一來，區塊鏈的訊息內容便完整記載了這一次駕車的紀錄，檢測通過的示意圖如圖14所示。

系統通過辨識後，便確認了駕駛人的身分與吹氣人一致。且透過時戳的紀錄和區塊鏈的輔助，也確保了駕駛的不可否認性。若有其他違規事件發生時，區塊鏈的紀錄便成為一個強而有力的依據來進行追溯。

如此一來，便可以預防小禛喝酒卻找其他人代吹酒測器的情況發生。在駕駛的途中，如果有需要更換駕駛人，必須待車輛靜止時，從車載系統發出更換駕駛要求，再重新進行酒測以及重複上述流程，才可以更換駕駛人。如果沒有按照該流程更換駕駛，系統將視為異常情況。

結語

酒駕一直是全球性的問題，將有高機率導致重大交通事故，造成人員傷亡、家庭破碎，進而醞釀後續更多的社會問題，皆是酒駕所引發的不良效益。為了解決酒駕的問題，各個國家都有不同的酒駕標準或是法律規範，但是大部分國家的規範和制度都只有嚇阻作用卻無法完全遏止。在不同的國家防止酒駕的方式不盡相同，有的國家如新加坡，透過監禁及鞭刑來遏止酒駕犯，又或者是薩爾瓦多，當發現酒駕直接判定死刑，這樣的制度雖嚇阻力極強，但是若讓其他國家也跟進，會造成違憲或是違反人權等問題。因此，各國都在酒駕的問題方面紛紛投入研究，想要達到零酒駕的社會。

為達成此理想，本文介紹了基於區塊鏈的酒駕防偽辨識系統，利用酒精鎖搭配人臉辨識技術以及區塊鏈技術，使有飲酒的駕駛人無法發動汽車。且該系統搭載在行車電腦中，結合攝影鏡頭的監控對駕駛進行酒測防制管理，將人臉資料、酒精鎖、解鎖時間點與相關資訊打包成區塊並上鏈。基於區塊鏈技術內容的不易篡改，可加強駕駛人的不可否認性，當汽車發生異常情況時，便能利用有效且可靠的依據進行追溯。人工智慧和物聯網時代已經來臨，透過酒駕防偽辨識系統來改善酒駕問題，在未來能夠普及並結合法規，智慧汽車以及智慧科技的應用將會帶給人們更安全、更便利的社會。

附圖：圖1 人臉辨識的步驟。
圖2 人臉特徵點偵測（正臉）。
圖3 人臉特徵點偵測（左側臉）。
圖4 人臉特徵點偵測（右側臉）。
圖5 酒精鎖。（圖片來源：https://commons.wikimedia.org/wiki/File:Guardian_Interlock_AMS2000_1.jpg with Author: Rsheram）
圖6 區塊鏈分散式節點的概念圖。
圖7 系統概念流程圖。
圖8 取出人臉128維特徵向量。
圖9 儲存車輛相關資料及人臉資料到區塊。
圖10 HASH後及打包成區塊的結果。
圖11 汽車發動前小禛的人臉影像。
圖12 小禛的人臉影像特徵點。
圖13 小禛的人臉特徵向量資料。
圖14 系統通過酒測檢測者與駕駛人為同一人。

資料來源：https://www.netadmin.com.tw/netadmin/zh-tw/technology/CC690F49163E4AAF9FD0E88A157C7B9D

Tags: 神經網路的輸出輸入

台灣物聯網實驗室 IOT Labs

About author

神經網路的輸出輸入在范琪斐 Youtube 的精選貼文

By 范琪斐

2018-11-30 00:35:09 有 8,535 人看過有 208 人喜歡

《#范琪斐ㄉ寰宇漫遊》1129 EP12 精華版

📌 本集內容 📌
✭【琪斐大放送】亞馬遜記點管控員工，委內瑞拉也不遑多(00:40)
✭【動眼看熱鬧】非洲豬瘟如野火燎原，美味豬肉還能吃嗎?(10:03)
✭【世界都在看】牲畜有尊嚴！瑞士農民發起「留牛角」公投(18:21)

台灣今年選舉，我沒去投票。

本來不是故意的。我弄錯了投票日，以為是星期天才投票，結果訂了行程陪蘿蔔頭的家人到日本去旅行，等發現時，大家機票都買了，一來我不好意思叫大家跟著改期，二來我也覺得我對台灣情勢實在太不了解，還是再等一等。

選完之後，我對民進黨兩年前大勝，只花兩年就能輸成這樣，非常驚奇。於是在網路上發了個文：
我只休了兩個星期，怎麼已經人事全非？現在時局真的動的太厲害了。
所以贏的不用囂張，輸的也不用搥胸，兩年以後一樣可以翻的。

文出之後，一大堆人給我貼標籤。

我很早就說了，我一定是偶爾投投藍，偶爾投投綠，偶爾投投別的黨的中間選民，你一定要說我不忠貞，那就不忠貞吧！

這次選舉，中選會是該打屁股，但有關投票機制的問題，下次再選應該就會矯正了吧，而且台北市這麼接近的選情，選舉辦得這麼差，都沒有暴動，選民表現很好啊，所以我不是太擔憂，但有一件事我的確很憂心，那就是假新聞。

首先，我對“民進黨因假新聞滿天飛，所以才輸成這樣”的說法，我是不買單的。假新聞在選情接近時，才有決定性影響，這次選得差距那麼大，全怪假新聞，不合理。

但”假新聞”到底多嚴重呢?真的是從中國來的嗎?

比如這樣的標題:“選舉假消息滿天飛！紐時：中國明顯利用新式武器干預。”

但你如果去看內文，就知道紐時絕對沒有這樣講。紐時說的是人們擔憂中國利用新式武器干預台灣選舉。對中國比較嚴重的指控，比如”北京通過在中國大陸的台企向政治競選活動非法輸入資金“都是引述台灣政府/民進黨政府的說法。

但這不是在說這次沒有假新聞，有，是很多，但紐時也說:

很難確定北京對高雄的競選究竟有多少影響。自1990年代以來一直研究台灣選舉的鮑彤(Nathan Batto)說，那是因為有關的討論一般只發生在封閉的私人圈子裡。

「很難讓我們這些圈外人看到有多少影響存在，以及究竟對選舉有多大影響，」鮑彤說，他是台灣最有名的學術機構中央研究院的助理研究員。「我們有些模糊的概念，他們在高雄對韓國瑜有不少幫助，但我不知道這是不是他在民調中支持率飆升的原因。」

這就是我擔心的原因，台灣對抗假新聞的機制太弱。只憑直覺，是沒有說服力的。美國媒體花了那麼多力氣查證，檢調單位花了那麼多力氣調查，舉出各項證據指俄羅斯干涉美國選舉，這樣的結果，都還有很多美國人認為，說俄羅斯干涉選舉是民主黨輸不起。

反觀台灣，一般民眾對新聞判斷力不佳，媒體不怎麼查證，又沒有強有力的公信單位在調查，只是空口說說，就要說”假新聞來自中國”，你信嗎? 我不信。

為今之計，像台灣事實查核中心這樣的單位要大大鼓勵（https://tfc-taiwan.org.tw/），並且要儘快像法國一樣，各主要媒體與臉書等平台合作，成立打假機制，明顯標示假新聞，而且平日就要做，不是等選舉時才來做。

假新聞最大的傷害，不是在選出一個很壞的候選人，而是在它的分化力量，把一個社會裡，每一個人對與不同政治理念的人的信任全都打破。沒有基本的信任，不要說民主了，什麼都做不成。

這個星期的琪斐大放送我們有個新嘗試，請了好朋友凱莉來主講。凱莉在各種平台上，跟大家分享國際新聞己經四年多，對國際議題很熟練的凱莉說理清楚，又很幽默，太適合我們的節目了。

凱莉本周為范琪斐ㄉ寰宇漫遊的觀眾，選的是亞馬遜如何能將交貨期間降到下單後兩小時，以及中國己從科技輸入國兑變為科技輸出國，一東一西，一個貫徹資本主義的企業跟一個共產國家，都指出一個很黑暗的未來面向。

動眼神經選的是非洲豬瘟大流行，我保證你下次看到豬肉時，絕對有不同的觀感。
PS. 除了要慎防中國豬之外，目前日本「典型豬瘟」亦擴散中，日本的豬肉製品也請注意不要帶回台灣喔！

張嘉玲選的是瑞士為牛是不是該去角舉行公投，我們來看看其他國家是怎麼做公投的。

✏ 來填問卷：https://goo.gl/forms/WUzKryJW1EwjHERp1

《#范琪斐ㄉ寰宇漫遊》每週四晚間十點在寰宇新聞台播出，沒跟上新聞的也沒關係，歡迎訂閱我們的 YouTube 頻道 🔔#范琪斐ㄉ寰宇漫遊 🔔https://ppt.cc/fH4QXx 十點半準時上傳完整版！
　
---
　
📌 回顧過往集數 📌
EP1《貿易戰、UBER、台灣女孩科索沃數位外交》：https://goo.gl/NkMk1i
EP2《翁山蘇姬、穿裙子的男孩、科索沃獨立十年》：https://goo.gl/opg9FH
EP3《大法官提名人性侵、杜絕假新聞、AI演算法涉歧視》：https://goo.gl/qibZyM
EP4《美國熱衷介入他國事務、捷運男性腿開開、馬其頓改名修憲公投》：https://ppt.cc/fX2fVx
EP5《美國新全民公敵、默許器官捐贈、中國新時代學「習」大會》：https://goo.gl/rCFJVq
EP6《沙國記者"被誤殺"、德極右派鼓勵學生舉報老師、雪梨歌劇院投射賽馬廣告惹議》：https://goo.gl/VV1Yjt
EP7《沙國硬拗害慘川普、加拿大通過大麻合法化、媽媽誤用HimToo害兒成笑柄》：https://goo.gl/xM8Qnf
EP8《政治極化撕裂美國社會、美期中選舉女力崛起、美國年輕人會去投票嗎》：https://goo.gl/z9uSrn
EP9《熱帶川普當選巴西總統、Google大罷工抗議企業文化、辛普森家庭涉種族歧視》：https://goo.gl/PgPCWR
EP10《川普未來施政面臨眾院挑戰、日本擬引進外勞卻爆醜聞、AI主播搶真人飯碗》：https://goo.gl/kNdCiE
EP11《熱門美劇私心推薦之「漢娜．蓋茲比：最後一擊」、「王冠」、「馬男波傑克」》：https://goo.gl/cVh2Y8

范琪斐ㄉ寰宇漫遊范琪斐ㄉ寰宇漫遊范琪斐ㄉ寰宇漫遊

范琪斐

About author

《#斐姨所思》每週二晚間7點30分，在《#范琪斐的美國時間》臉書粉絲團、#范琪斐 YouTube官方頻道、Clubhouse同步直播。資深媒體人范琪斐與夥伴們，邀大家一起上線聊聊天，關心國內外重要議題。喜歡我們的節目請別忘了訂閱按讚分享、開啟小鈴鐺喔！追蹤《#范琪斐的美國時間》掌握全球脈動 ?https://bit.ly/3vG5Nhg 范琪斐 YouTube 官方頻道 ?https://bit.ly/3f6WZvI

看看搜尋的結果吧：

神經網路的輸出輸入在什麼是神經網路？ - 深度學習服務 - Amazon AWS 的相關結果

神經網路是人工智慧中的一種方法，指導電腦以受人腦啟發的方式來處理資料。這是一種機器學習程序，稱為深度學習，使用類似於人腦分層結構中的互連節點或神經元。 ... <看更多>

神經網路的輸出輸入在 Day 12: 人工神經網路初探深度學習 - iT 邦幫忙的相關結果

一個neuron在得到的輸入上計算後產生輸出。來自neuron的輸出被傳送給下一層作為輸入(輸出層除外)。最後會由輸出層產生最終的輸出。 https ... ... <看更多>

神經網路的輸出輸入在第三章、神經網路的相關結果

神經網路的運作便源於此，藉由. 不同的演算法訓練神經網路，使得神經網路的輸出能達到我們所要求的結果。因. 此，可將神經網路視為一種數理迴歸方法，主要是針對輸入層與 ... ... <看更多>

你可能也想看看

搜尋相關連結

#1. 什麼是神經網路？ - 深度學習服務 - Amazon AWS

神經網路是人工智慧中的一種方法，指導電腦以受人腦啟發的方式來處理資料。這是一種機器學習程序，稱為深度學習，使用類似於人腦分層結構中的互連節點或神經元。

#2. Day 12: 人工神經網路初探深度學習 - iT 邦幫忙

一個neuron在得到的輸入上計算後產生輸出。來自neuron的輸出被傳送給下一層作為輸入(輸出層除外)。最後會由輸出層產生最終的輸出。 https ...

#3. 第三章、神經網路

神經網路的運作便源於此，藉由. 不同的演算法訓練神經網路，使得神經網路的輸出能達到我們所要求的結果。因. 此，可將神經網路視為一種數理迴歸方法，主要是針對輸入層與 ...

#4. 什麼是神經網路？ - TIBCO Software

最基本形式的人工神經網路具有三層神經元，資訊會從一個流向另一個，就像在人腦中一樣：. 輸入層：資料進入系統的入口; 隱藏層：處理資訊的地方; 輸出層：系統根據資料決定 ...

#5. 神經網路是什麼：應用和案例說明 - NordVPN

前饋神經網路，或是多層感知器（MLP），是最簡單的神經網路模型，由一個輸入層、一個或多個隱藏層和一個輸出層所組成。從輸入層到輸出層，資料為單向 ...

#6. Python機器學器筆記（十二）：多層類神經網路- gwogo 的網誌

多層神經網路模型簡單說，就是將多個「單一神經元」連結成多層架構，每一層「單一神經元」的輸入訊號來源，是其連結的上一層「單一神經元」的輸出 ...

#7. AI 入門必備懶人包：圖解27 種神經模型，讓你秒懂差在哪 - 報橘

模型那麼多，該怎麼選擇呢？這裡有27種神經網路. GRU 是具有不同門的LSTM。聽起來很簡單，但缺少輸出門可以更容易基於具體輸入重複多次相同的輸出， ...

#8. 機器學習與人工神經網路(二)：深度學習(Deep Learning)

以手寫數字辨識為例，這個神經網路包含三層神經元，除了輸入和輸出層外，中間有一層隱藏層(意指不參與輸入或輸出，隱藏於內部)，傳遞並處理資料。

#9. 第五章模式構建與結果分析 - 國立交通大學機構典藏

類神經網路的架構可區分為(1)輸入層：表示輸入變數，處理單元則依問題. 決定；(2)隱藏層：表示輸輸入變數之間的交互影響，可分為單隱藏層與多隱藏. 層，其處理單元數目可依 ...

#10. 神經網路模型 - IBM

這些處理單元都位於層中。神經網路通常包含三個部分：一個輸入層，其中的單元代表輸入欄位；一個或多個隱藏層；一個輸出 ...

#11. 快速反應機制類神經網路 - Medium

在大數據風起雲湧的浪潮下，「類神經網路（Artificial Neural Network，ANN）是現今廣泛被稱為「人工智慧」或者「深度學習」的主角之一。

#12. 人工智慧- 神經網路如何學習？ - Microsoft Learn

神經會安排在類神經網路中的圖層，每一個神經都將值傳遞至下一層。輸入的值會透過網路轉寄的重疊顯示，而且會影響稱為正向傳播的程序中的輸出。不過， ...

#13. 機器學習的衰頹興盛：從類神經網路到淺層學習 - StockFeel 股感

如此這般，從第一層的「特徵向量」作為輸入值，一層層傳下去、直到最後一層輸出預測結果。圖02. 至於神經元裡面的激發函數公式是什麼呢？1957年， ...

#14. 深度學習 - HackMD

何謂神經網路神經網路是受到生物的神經網路啟發，人工神經網路是模擬生物神經網路的一種計算模型，也就是模擬神經元的輸入輸出與傳遞訊號。神經網路演算法透過模擬 ...

#15. [AI小學堂(二)]神經網路是什麼? 淺談深度學習的神經網 ... - 方格子

我們先來看看神經網路的長相，在我的上一篇文章中也有提到，所謂的Input layer就是把資料輸入的層，而output layer就會是要輸出我們需要知道的資訊。

#16. 一種用於解決神經網路學習不完全的方法

：輸入層第i個神經元連接之權值調變量。 η. ：學習速率。首先在LMS 演算法中[28]第k 筆資料所輸出之數學方程式為 ...

#17. 人工神經網路 - MBA智库百科

人工神經網路（ Artificial Neural Networks，簡寫為ANNs）也簡稱為神經網路（NNs）或稱 ... 在結構上，可以把一個神經網路劃分為輸入層、輸出層和隱含層（見圖1）。

#18. 類神經網路模型應用於台灣加權指數 - 靜宜大學

在機器學習和認知科學領域，人工神經網路（英文：artificial neural network， ... 隱藏層（Hidden layer），簡稱「隱層」，是輸入層和輸出層之間眾多神經元和鏈接組成 ...

#19. 利用類神經網路於多重輸入多重輸出之製程管制系統

本研究結合整合SPC與EPC、回饋控制、以及類神經網路（Artificial Neural Network）的概念及方法，建構一多重輸入多重輸出（Multiple-Input Multiple-Output；MIMO）之 ...

#20. 人工神經網路(ANN：Artificial Neural Netwo - Ansforce

人類大腦的神經網路是由「神經元(Neural)」組成，人工神經網路(ANN)又稱為「類神經 ... 輸入層. Input layer. 隱藏層. Hidden layer. 輸出層. Output layer. 資料探勘.

#21. 應用倒傳遞類神經網路預測焚化爐底灰對掩埋場產氣量之影響

倒傳遞類神經網路（Backpropagation Neural Network, BNN）為一種能快速且正確地映射出其中之輸入─輸出關係模式，其主要運作方式為透過訓練，不斷地調整節點間之權重 ...

#22. 透過人工神經網路探討信號完整性的未來 - 映陽科技

用395 個點來訓練人工神經網路，從而得到一個模型，該模型定義了其餘4 個PCB 輸入參數與輸出（眼圖性能）之間的關係。通過比較人工神經網路模型的預測輸出與實際模擬的輸出 ...

#23. 智能控制 - 海下科技研究所

類神經網路學習架構(1). 監督式學習網路(Supervised Learning Network). ▫. 從問題領域中取得訓練範例（有輸入變數值，也有輸出變數），. 並從中學習輸入變數與輸出 ...

#24. 人工智慧與類神經網路簡介

2.多層知覺網路:其是在輸入層節點與輸出層節間多了一層或多層的隱藏層(Hidden Layer)，即輸入節點沒有直接接往輸出節點。 (四)學習演算法(Learning Algorithm). 假如我們想 ...

#25. 類神經網路輔助醫療診斷分類模式之建構

θ 模仿生物神經元模型的偏權值。一個神經網路的架構分為輸入層、隱藏層、輸出層，由下方做說明：. 輸入層：用 ...

#26. 北美智權報第285期：深度學習神經網路之運作

然而，深度學習只是由監督式學習下的類神經網路(Neural Network, ... 簡單(單層) 神經網路，如圖4所示，會有輸入層、隱藏層(Hidden Layer) 及輸出層， ...

#27. 神經網路簡介

wn 是權重，這些輸入乘上權重之後加總(SUM)，就會得到神經元的刺激強度，接著經過函數f() 轉換之後，就得到了輸出的刺激強度。圖、神經網路連接模型. 上圖(a)所對應的數學 ...

#28. 聰明機器的大腦－人工智慧系統晶片 - 國家實驗研究院

人工神經網路的操作分為“訓練”(training)及“推論”(inference)兩個步驟，前者需要反覆使用訓練樣本正向輸入網路模型，接著計算輸出的預期值與實際值差距，再從輸出端反 ...

#29. CTIMES- AI成閨密？神經網路與機器學習正在改變世界！

神經網路包含在AI中，透過機器深度學習，建立一種讓電腦學習並持續改善 ... 進行分析與分類的輸入層，處理資訊的隱藏層，以及做出最終決定的輸出層。

#30. 類神經網路導論 - Ch. 1. 什麼是人工智慧- 聯合大學

回想過程：. 網路依回想演算法，以輸入資料決定網路輸出資料的過程。範例資料有三種 ...

#31. 淺度機器學習：類神經網路

與前述「Neural. Network Fitting」最大不同在其輸出層選擇了Softmax 的機制，7共10 個輸出，. 輸出值代表輸入值屬於該類別的機率（總和為1），網路架構如 ...

#32. 類神經網路智能控制技術在空調通風系統上之應用

關鍵詞：智能控制、類神經網路、適應控制、生物神經元、人工神經元模型. 中華顧問工程司正工程師冷凍空調 ... 非線性、控制參數的多輸入及多輸出等問題，非用一般數學.

#33. 類神經網路介紹

人工神經網路（英語：Artificial Neural Network，ANN），簡稱神經網 ... 跟一般的AI方法相同，它就是從數據當中，給定預先想要的輸入與輸出，就可以 ...

#34. 類神經網路及其應用於降雨—逕流過程之研究

倒傳遞類神經網路演算法,簡稱為BP(Back. Propagation)演算法,是屬於多層前授網路所使用. 的一種監督式學習法,常用於處理輸入輸出間之. 非線性映射關係。由於早期Rosenblatt ...

#35. 深度神經網路 - tw511教學網

訓練資料集是深度學習模型的重要組成部分。另外，反向傳播是訓練DL模型的主要演算法。 DL處理訓練具有複雜輸入輸出變換的大型神經網路。

#36. 【技術文章】卷積神經網路簡介：什麼是機器學習？（一）

CNN是一種用於深度學習的人工神經網路。這種網路由輸入層、若干卷積層和輸出層組成。卷積層是最重要的部分，它們使用一組獨特的權重 ...

#37. 人工神經網路 - 居米研究室

人工神經網路(Artificial Neural Network, ANN)，因模仿大腦內神經元互相連接的形… ... 輸入再個別乘上不同的權重並加總，透過激發函數轉換輸出後送往下一層網路。

#38. 倒傳遞神經網路對雨量資料補遺之精準度探討 - 水利技師公會

神經網路 (backpropagation)來進行之料補遺，並依照不同方式彙集資料整理，以期提 ... 用倒傳遞類神經網路模式進行演算。類 ... 每個神經元都是一個多輸入單輸出.

#39. 人工智慧的「黑箱作業」，類神經網路如何將生物分類的？

資訊輸入和輸出，如何用「類神經網路」做出無人車？我們先來聊聊目前機器學習中最火紅的演算法「類神經網路」究竟是什麼東西？動物的 ...

#40. 應用類神經網路預測高鐵車站之運量- 以左營站為例

預測模型的解釋變數(輸入)與預測變數(輸出). 之間多了一層隱藏層來建立資訊間的關係，隱藏層裡將輸入變數經過活化函. 數的轉換過程，產生對應的輸出值。類神經網路的預測 ...

#41. 應用類神經網路預測降雨強度-延時之研究

數學公式證明只有輸入層和輸出層的類神經網路模型是無法解決『互斥或. XOR(ExclusiveOR)』的問題。 4.重生期(1982 年至1986 年):Rumelhart , Hinton 等人 ...

#42. 類神經網路

因此，我們將經過權重相加的輸入，透過活化函數的轉換，使得類神經元的輸出代表短期間之平均脈衝頻率。 Artificial neuron ...

#43. 神經網路(neural network) 是什麼？在哪些領域有其侷限？

神經網路是模仿人腦運作方式的運算模型，因為其結構而可學習並理解非常複雜 ... 最基本的神經網路包括一個輸入層，一個輸出層，和一個或多個隱藏層。

#44. 在推薦系統上使用神經網路 - NVIDIA 部落格

使用嵌入向量表示商品ID，並透過序列層饋送輸出。將序列層的隱藏表示做為輸入，新增至深度學習架構。想要深入瞭解推薦系統嗎？NVIDIA Merlin 是一個 ...

#45. 自壓縮神經網路 - 電子工程專輯

過去十年來，人工智慧研究主要集中於探索深度神經網路的潛力，而近年來的 ... 的輸入通道數等於前一層的輸出通道數，可以使壓縮損失適切地反映網路的 ...

#46. 應用倒傳遞類神經網路於PM10 預測之研究

3. 輸出層：. 用以表現網路之輸出變數，處理單元之. 數目與輸入層相同，依問題之複雜性而定。

#47. 類神經模糊網路

類神經網路（Neural Network）與模糊理論(Fuzzy Theory）- 目前均被成功地應用在 ... 因此在學習之後，除非測試所有的輸入與輸出的關係，否則我們無法得知網路的學習 ...

#48. [深度學習練習] [Deep Learning Practice] 神經網路入門（二）

input、input layer（輸入層）、hidden layer（隱藏層）、output layer（輸出層）、output，光看圖就覺得很像神經網路，所以這命名應該是沒問題的。

#49. 深度學習早就紅過了淺談類神經網路曾經的瓶頸與衰頹

如此這般，從第一層的「特徵向量」作為輸入值，一層層傳下去、直到最後一層輸出預測結果。至於神經元裡面的激發函數公式是什麼呢？1957 年，Rosenblatt ...

#50. 高中資訊教師黃建庭的教學網站- 神經網路(Neural Network , NN)

每一層可以使用全連接層(在keras使用Dense表示全連接層)，上層的每個神經元輸出都與下層的每個神經元的輸入連接起來，稱作全連接層，每一層指定激勵函式。 (1)輸入層：用於 ...

#51. 無所不在的圖神經網路任務，手把手教你簡單預測A跟E是不是 ...

什麼是圖神經網路（Graph Neural Networks）？ ... 我們會將第一種用於輸入資訊的邊稱為message edges，而被用於預測答案的邊稱之為supervision edges ...

#52. 嘉南藥理科技大學補助教師專題研究計畫成果報告

本研究主要是利用類神經網路(Neural Networks). 多輸入多輸出系統的能力，運用於生活污水廢水. 處理廠的放流水質預測模擬。根據實廠的實際操.

#53. 人工神經網路 - 中文百科全書

人工神經網路（Artificial Neural Network，即ANN ），是20世紀80 年代以來人工智慧領域興起的研究熱點。它從信息處理角度對人腦神經元網路進行抽象，建立某種簡單 ...

#54. 神經群仿生神經網路處理器Population-based Neuromorphic ...

出閥值，則會輸出突波，透過突波暫存器連接到不同神經網路上。 Fig.3 IQIF 神經元電路圖[1]. 神經元透過神經參數設定以及後突觸輸入電流計算偏微分方程式，在每個時間 ...

#55. 基於卷積神經網路及疊層長短期記憶神經網路結合短路連結架構 ...

如果說標籤是影響人工智慧學習品質的教材，那損失函數就是決定人工智慧. 學習能力優劣的一個重要環節。當機器在進行學習的時候，依照輸入神經網路的數. 據產生了輸出結果， ...

#56. 什麼是深度學習？| Oracle 台灣

深度學習可透過多層神經網路(其中具有一組可接收原始資料的輸入) 將資訊分類。 ... 深度學習演算法後方的深度神經網路層與輸出節點之間具有數個隱藏層，這表示它們能夠 ...

#57. 應用灰關聯分析在類神經網路預測股價績效之研究 - AUIR

類神經網路(Artificial Neural Network; ANN)為人工智慧的一種，由於它具有良好 ... 來類神經網路使用非線性模型成為另一種相對應的預測模式，且輸入輸出變數不需通過 ...

#58. 改善多層次人工神經網路學習速度之探討 - 輔仁大學管理學院

第四部份則用Matlab 軟體寫了一個多輸入/多輸出、. 單隱藏層的BP 最大誤差加速法，並與傳統BP 學習法則作一比較，可驗證它. 具有較快的學習速度。最後，在第五部份則作了 ...

#59. 類神經網路為基礎之智慧型醫院網路掛號系統

在回想過程中，網路接受外來輸入，並依回想演算法，經反覆的. 運算後，由輸出級神經網路元將結果送出。回歸型網路的學習過程，事實上是一種「記憶」過程，它從問題.

#60. 類神經網路(Deep neural network, DNN)介紹- 李彼德之家

類神經網路是一種AI的方法，這套方法的計算方式是類似人體裡面神經網路的概念。跟一般的AI方法相同，它就是從數據當中，給定預先想要的輸入與輸出，就可以用這套方法從 ...

#61. 以類神經網路探討網頁視覺圖像複雜度偏好之研究 - 設計學報

(輸入與輸出間的關係)，如圖2所示，這樣的系統模型可用於推估、預測、決策、診斷，因此廣. 義來看，類神經網路是一種特殊型式的統計技術[15、35、25]。類神經網路的 ...

#62. 遞歸神經網路（RNN）和長短期記憶模型（LSTM）的運作原理

現在我們可以將所有的輸入和輸出組合成幾個向量，也就是幾組數字。這可以幫助我們解釋整個神經網路的架構。利用我們歸納出的三個向量：昨天的預測、昨天的結果、以及 ...

#63. 人工神經網路(2)--使用Python實作後向傳遞神經 ... - Ashing's Blog

在後向傳遞網路中，學習演算法過程分為兩個階段，第一階段與感知器前饋式演算雷同，信號由輸入端向隱含層一層一層傳遞直到輸出層，如果實際輸出與預期的 ...

#64. 機器是如何學習與進步？人工智慧的核心技術與未來

第三級人工智慧是指機器（電腦）可以根據資料學習如何將輸入與輸出資料產生 ... 人類大腦的神經網路是由「神經元（neural）」組成，人工神經網路（articial neural ...

#65. 人工智慧-建立第一個神經網路 - 大大通

然後定義增加神經層的函數def add_layer（），它有四個參數：輸入值，輸入的大小，輸出的大小和激勵函數(activation function)，我們設定為的激勵函數( ...

#66. 如何确定神经网络的层数和隐藏层神经元数量 - 知乎专栏

一、导语BP神经网络主要由输入层、隐藏层、输出层构成，输入和输出层的节点数是固定的，不论是回归还是分类任务，选择合适的层数以及隐藏层节点数， ...

#67. 深度學習及其在凝態物理上的應用– 上篇

而衡量這件事情的物理量便是交互熵。 Tishby 在他的論文中計算了一個神經網路中不同層的輸出究竟包含了多少輸入訊息以及多少輸出 ...

#68. 超越人類認知的極限：從人工智慧到深度學習 - 科普寫作網路平台

... 電腦模擬神經元間的電訊號傳遞，將類神經網路設計成輸入層、輸出層與模仿神經與神經間彼此連結的隱藏層，深度學習與淺層學習的最大差異點便在於輸入層與輸出層間的 ...

#69. 隱藏層神經元、2個輸出神經元‧初始加權值與閥值設為土 ... - ntcuir

輸出向量. 層→→. 輸入向量. 輸入廈量. 路架構. 參、網路訂I∣練相關參數. 數. 一兀. 經. 神. 層. 藏. 隱. 、. 隱藏層神經元數目太少'易造成較大的誤差;而數目增多'雖 ...

#70. 霍普菲爾-坦克神經網路之最適化應用【旅行推銷員問題 ...

出，因此在類神經網路學習前，我們必須建立出一. 個訓練樣本（training pattern）使類神經網路在學習. 的過程中有一個參考，訓練樣本的建立來自於實際. 系統輸入與輸出 ...

#71. 類神經網路-- Neural Turing Machine - MARK CHANG'S BLOG

可分為幾個部分： Input: 從外部輸入的值。 Output: 輸出到外部的值。 Controller: 相當於電腦的IO和CPU，可以 ...

#72. 神经网络的输入、输出及随机初始权重的改进方案 - CSDN博客

并不是所有使用神经网络的尝试都能够成功，这有许多原因。一些问题可以通过改进训练数据、初始权重、设计良好的输出方案来解决。1.改进输入对于S激活 ...

#73. 如何運用SAS EM提升類神經網路模型的實用性(1)

而當輸入值達到臨界值時，神經單元就會被活化而使輸出值變高。類神經網路的預測準確，在於透過不斷地模型訓練學習(Training)，讓類神經網路能夠透過 ...

#74. 應用類神經網路與線性回歸模式 - CORE

摘要:本研究利用前饋式顯神輝網路與線性回歸等兩種模式預制濕穀乾燥龍之稻穀淨重，並. 比較兩者之特點。前饋式類神經網路模型由輸入層、隔藏層、與輸出層等神經層所 ...

#75. 全連接神經網路Fully-Connected Neural Network - 羊羽手札

我們將帶有數值的輸入，當成一個獨立的神經元，構成圖2 藍色處，神經網路的輸入層（input layer）然後圖2 右邊深綠框為會輸出結果的輸出層（output ...

#76. 以類神經網路預測垃圾添加灰燼之氣體產量之研究 - 朝陽科技大學

本文運用倒傳遞類神經網路(Back-propagation Neural Network, BNN)方法， ... 據作為類神經網路之訓練數據，網路經訓練後逕行輸入變數對輸出變數之敏感度.

#77. 回饋式類神經網路 - DigiTimes

回饋式類神經網絡(recurrent neural network；RNN)是2種人工神經網路的總稱。1 ... 一些節點被稱為輸入節點(input node)；另一些則為輸出節點(output ...

#78. 利用卷積神經網路辨識手指姿勢.pdf - 美和科技大學

第二部分為卷積神經網路學習過程，本研究採用Python 語言，以Keras 作為軟. 體開發平台。 ... 突觸是輸入與輸出的神經元傳遞的機制：輸入與輸出的神經元之間發展出特 ...

#79. 【AI60問】Q36深度學習中的類神經網路是什麼？

輸入同樣的數值，左下和右下的神經網絡會有不同的輸出。圖36-2這種類神經網絡結構，稱為完全連接前饋式網絡（fully connected feed forward network ...

#80. 持續受生物學習啟迪人工神經網路技術再進化 - 新通訊

赫布網路是一個淺層全連接神經網路，有一個2,000單元的隱藏層，輸出層的權重使用梯度下降法更新，而隱藏層訓練是透過三個類似赫布學習定律之一實現的：最 ...

#81. [筆記] 從無到有建立神經網路( neural network ) - Soft & Share

如果我們有2個以上的輸入，神經網路將找到分離它們的超平面。 ... 輸出神經元的啟用( activation ) 取決於網路的當前權重( weight )和偏差( bias ) 。

#82. 給所有人的深度學習入門：直觀理解神經網路與線性代數

目前多數的機器學習以及AI 應用本質上都是讓電腦學會一個映射函數，幫我們將輸入的數據x 轉換到理想的輸出y。 ─ Andrew Ng. 套用相同概念，要處理這個 ...

#83. 卷积神经网络输入输出形状卷积神经网络的输出层 - 51CTO博客

卷积神经网络输入输出形状卷积神经网络的输出层，卷积神经网络其实和普通的神经网络的区别在于它的输入不再是一维的向量了，而是一个三维的向量， ...

#84. 電腦也會學習？類神經網路讓您窺知一二！ - 幣圖誌

n =輸入資訊數目。 O=輸出傳到外界環境或是其他人工神經元的資料。將上面所介紹的神經元結合起來就成為 ...

#85. Back Propagation Neural Network 倒傳遞類神經網路 - - 點部落

計算輸出結果和目標結果的誤差; 調整權重; 重複2~5直到收斂. 計算輸出結果. 利用. 和. 從「輸入層神經元 ...

#86. 神经网络的输入和输出是什么 - 稀土掘金

神经网络的输入和输出是根据具体问题的不同而不同的。在传统的监督学习任务中，神经网络的输入通常是一些数值特征，例如图像数据中的像素值或文本数据中的词向量，而 ...

#87. 深度学习的数学-神经网络、输入层、隐藏层、输出层 - 中文社区

前文中了解到，神经网络由多个神经单元组成，而本篇博客将会了解到深度学习由多个神经网络组成，并且分为输入层、隐藏层和输出层，隐藏层涉及到的知识 ...

#88. [AI开发]零代码公式让你明白神经网络的输入输出 - 博客园

这篇文章的标题比较奇怪，网上可能很少类似专门介绍神经网络的输入输出相关文章。在我实际工作和学习过程中，发现很有必要对神经网络的输入和输出做 ...

#89. Artificial Neural Network - 類神經網路 - Soul & Shell Blog

類神經網路由許多神經元節點所組成，這些神經元可分為輸入層、輸出層與許多隱藏層所組成的網路模型。結果的輸出只有是與否兩種狀態，傳統的類神經網路 ...

#90. Whetstone-訓練深度神經網路為脈衝神經網路 - 神經妙算

訓練ANN常用的反向傳播（backpropagation）演算法即根據神經網路輸出層及隱藏層的響應誤差來更新突觸上的權重，因此依賴輸入輸出神經元訊號的精確數值 ...

#91. AI - Ch16 機器學習(4), 類神經網路Neural network

我們可以通過大量的輸入，讓神經網絡調整它自身的連接情況從而總是能夠得到我們預期的輸出。二、感知器Perceptron. 設有n ...

#92. 神經網路(Neural Network) - Amazon AWS

神經網路於R 中可以透過套件nnet 來實作，可以用來建構與擬和隱藏 ... 表示分類結果為第2 `或`第3 類 # skip: 在輸入或輸出之間是否設置跳層連接 ...

#93. 機器學習演算法—類神經網路（Artificial Neural Network）初探

上圖是一個神經，有樹突（負責輸入資料），有突觸（負責輸出資料），而類神經網路，就是用電腦來模仿生物神經網路的結構和功能的運算模型，建立大量 ...

#94. 大腦的解題神經網路簡介

人工神經網路是一種非線性的輸入/輸出映射系統，. 它的結構係參照人類及動物的神經系統來設計的。人工神經網路. Page 7. 神經網路運作模型 ...

#95. 機器翻譯功力再升級 - 科學人雜誌- 遠流

NMT採用多層次的神經網路連結原文句與譯文，輸出的字詞顧慮到全句文脈， ... 擴散演算法，可運用輸入、輸出的訓練資料自動調整權重，訓練類神經網路。

關於 神經網路的輸出輸入 ，我們在網路上蒐集到這些相關的討論、資訊與評價

「神經網路的輸出輸入」的推薦目錄：

神經網路的輸出輸入 在 COMPOTECHAsia電子與電腦 - 陸克文化 Facebook 的最讚貼文

About author

神經網路的輸出輸入 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文

About author

神經網路的輸出輸入 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答

About author

神經網路的輸出輸入 在 范琪斐 Youtube 的精選貼文

About author

你可能也想看看

搜尋相關連結

關於神經網路的輸出輸入，我們在網路上蒐集到這些相關的討論、資訊與評價

神經網路的輸出輸入在 COMPOTECHAsia電子與電腦 - 陸克文化 Facebook 的最讚貼文

神經網路的輸出輸入在台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文

神經網路的輸出輸入在台灣物聯網實驗室 IOT Labs Facebook 的最佳解答

神經網路的輸出輸入在范琪斐 Youtube 的精選貼文