路透社新聞的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

tf.keras 技術者們必讀!深度學習攻略手冊

為了解決路透社新聞的問題，作者施威銘研究室 這樣論述：

　　剛接觸 Deep learning 深度學習, 大家都說 Keras 實作最簡單、最多人用, 各種參考資源也很豐富, 但實際學習 Keras 卻一直卡關...   　　．官方網站資源豐富, 但不知從何查起？一大堆參數說明夾雜各種專有名詞, 有看沒有懂？ 　　．跟著書上或網路上的範例實作都做得出來, 不過卻不知道為什麼要這麼做？ 　　．用經典 MNIST 資料集辨識手寫數字, 準確率都 97 趴以上, 換成自己寫的數字就掉到 5、60 趴？ 　　．神經網路的程式常出現 NumPy 的陣列運算, 還有什麼矩陣點積、轉置、陣列擴張, 搞不懂是怎麼算出來的？ 　　．損失函數、優化器、評量準則(

metrics)的種類那麼多, 在實作各種神經網路時, 到底該如何選擇和搭配呢？ 　　．文字資料的處理都只用英文資料集來訓練, 中文資料又該怎麼訓練咧？ 　　．聽說 Colab 雲端開發環境很好用, 但資料檔、圖檔、模組等要如何上傳呢?可以連結到我的雲端硬碟嗎？ 　　．…   　　Deep learning 深度學習涉及的知識面向廣泛, 要有數學基礎、統計概念, 還要有資料處理的基本觀念, 最重要是要具備一定程度的 Python 功力, 才有能力跟著實作。如果不是在這個領域打滾好幾年的老手, 大概很難面面俱到。加上神經網路的內部結構是超乎想像的複雜, 玄之又玄的輸出結果, 讓許多人把深度學習當

作參不透的黑盒子或煉金術, 反正跟著高手、神人套用現成的模型架構來訓練就對了。   　　事實上, AI 不僅是工程設計, 更是實證科學, 必須多方嚴謹的測試與印證, 才能打好基礎！千萬不要下載一個模型、跑跑測試集就認為學會 AI 了…。而本書的使命, 就是要為您揭開深度學習的黑盒子, 用追根究底的實驗精神, 帶您扎實學會 Keras 並建立各種實用的神經網路模型, 別人說不清楚的事, 就由我們來幫您逐一解惑, 並帶您順利地學會、學通 Keras 及深度學習！    本書特色   　　台灣人工智慧學校  　　--------------------------------- 　　技術發展處處長

張嘉哲 審閱 　　專案處處長 蔡源鴻 審閱   　　○ 解開黑盒子 – 高效學習 DNN、CNN、RNN 等神經網路模型 　　○ 發揮追根究柢的實驗精神, 測試各種神經網路模型「配方」 　　○ 隨時幫你複習進階的 Python 程式語法及函式用法, 學習不卡關！ 　　○ 完整介紹文字、圖片、時序資料的預處理技巧 　　○ 函數式 API (functional API) 的建模手法與實例印證 　　○ 中文詞向量、遷移式學習、Callback、Tensorboard 　　○ LeNet、AlexNet、VGG、GoogLeNet、ResNet、DenseNet.. 等 CNN 經典模型的進化秘方

　　○ 在雲端高速訓練模型 - 善用 Google 免費的 Colab 雲端開發環境   　　Keras 是目前深度學習領域中, 最容易使用且功能強大的神經網路開發工具, Tensorflow 已將之收錄到自己的套件中, 並命名為 tf.keras。本書同時適用於最新的 tf.keras 及 Keras。 

路透社新聞進入發燒排行的影片

探討消費者規避行動廣告因素之研究

為了解決路透社新聞的問題，作者宋曼毓 這樣論述：

　　近年來行動廣告蓬勃發展，成為企業快速、便利的行銷手法，並且幫助企業創造新的商機，但對消費者而言，隨著行動廣告數量逐年增加，消費者也開始對廣告產生負面態度，因此降低消費者對廣告的規避行為成為重要的研究議題。　　過去學者的研究大多針對隱私問題對信任與廣告效果之影響、網路廣告版面配置對廣告效果之影響等方面做探討，過去較少研究是針對隱私顧慮與行動廣告呈現方式對消費者規避行動廣告行為的影響，因此本研究探討行動廣告的感知目標障礙、感知廣告雜亂、以前負面經驗、隱私顧慮對消費者規避行動廣告行為之影響。本研究結果顯示，感知目標障礙、感知廣告雜亂、以前負面經驗和隱私顧慮會正向影響消費者的行動廣告規避之行為。

最後，本研究根據研究結果建議企業未來能夠提供更有用的資訊或優惠卷吸引消費者的注意，並且提供完善的隱私安全措施，增加消費者的購買意願。

極詳細+超深入：最新版TensorFlow 1.x/2.x完整工程實作

為了解決路透社新聞的問題，作者李金洪 這樣論述：

TensorFlow 是目前使用最廣泛的機器學習架構，滿足了廣大使用者的需求。如今TensorFlow 已經更新到2.x 版本，具有更強的便利性。 本書透過大量的實例說明在TensorFlow 架構上實現人工智慧的技術，相容TensorFlow 1.x 與TensorFlow 2.x 版本，覆蓋多種開發場景。 　　◎ 詳盡闡述tensorflow 1.x/2.x完整內容 　　◎ 75個實作專案，包含最接近工業 / 商業用的典範    　　◎ 由淺入深的完整解說，徹底體會TensorFlow之美 　　史上強大的AI框架Tensorflow 2.X版終於出來了。 　　在綜合PyTorch

的動態圖架構和併入高階API Keras之後，Tensorflow又重回AI框架最炙手可熱的明星之一。 　　本書是針對已經有Tensorflow基礎的讀者，幫助讀者具備基礎的深度學習知識之後，更強化自身的功力。不再拘泥於簡單的CNN、MNIST、RNN等太基礎的內容。 　　全書重點包括： 　　► 75個工業及商用專案的完整實作 　　►在Windows/Linux下安裝Anaconda及GPU、CUDNN的完整介紹 　　►大量Transfer Learning的預載入模型說明 　　►Tensorflow的專屬資料集格式 　　►TF-Hub retrain或是fine-tune完整的預載入模型

　　►利用tf.estimator及tf.keras訓練模型的完整過程 　　►用Tensorflow做離散及連續資料的特徵工程 　　►不再只是單純的CNN，用膠囊網路做更準確的圖形辨識 　　►不只RNN，還有GRU及Attention機制、SRU、QRNN及Transformer機制 　　►自己動手做YOLOV3 Darknet 　　►最完整的Normalization說明，包括Batch Norm、Switchable Norm 　　►GAN大全，包括DeblurGAN及AttGAN 　　►CS612照片加工的AI基礎 　　►製作Tensorflow的模型完整說明 　　►在樹莓派、iPho

ne、Android上佈署Tensorflow的模型 本書特色 　　1. 相容TensorFlow 1.x 與2.x 版本，提供了大量的程式設計經驗 　　兼顧TensorFlow 1.x 與2.x 兩個版本，列出了如何將TensorFlow 1.x 程式升級為TensorFlow 2.x 可用的程式。 　　2. 覆蓋TensorFlow 的大量介面 　　由於TensorFlow 的程式反覆運算速度太快，有些介面的搭配文件並不是很全。作者花了大量的時間與精力，對一些實用介面的使用方法進行摸索與整理，並將這些方法寫到書中。 　　3. 提供高度可重用程式，公開了大量的商用程式片段 　　本書實

例中的程式大多都來自程式醫生工作室的商業專案，這些程式的便利性、穩定性、再使用性都很強。讀者可以將這些程式分析出來直接用在自己的專案中，加快開發進度。 　　4. 書中的實戰案例可應用於真實場景 　　書中大部分實例都是目前應用非常廣泛的通用工作，包含圖片分類、目標識別、像素分割、文字分類、語音合成等多個方向。讀者可以在書中介紹的模型的基礎上，利用自己的業務資料集快速實現AI 功能。 　　5. 從專案角度出發，覆蓋專案開發全場景 　　本書以專案實作為目標，全面覆蓋開發實際AI 專案中所有關的知識，並全部配有實例，包含開發資料集、訓練模型、特徵工程、開發模型、保護模型檔案、模型防禦、服務端和終端

的模型部署。其中，特徵工程部分全面說明了TensorFlow 中的特徵列介面。該介面可以使資料在特徵處理階段就以圖的方式進行加工，進一步確保在訓練場景下和使用場景下模型的輸入統一。 　　6. 提供大量前端論文連結位址，便於讀者進一步深入學習 　　本書使用的AI 模型，大多來自前端的技術論文，並在原有論文基礎上做了一些結構改進。這些實例具有很高的科學研究價值。讀者可以根據書中提供的論文連結位址，進一步深入學習更多的前端知識，再配合本書的實例進行充分了解，達到融會貫通。本書也可以幫助AI 研究者進行學術研究。 　　7. 注重方法與經驗的傳授 　　本書在說明知識時，更注重傳授方法與經驗。全書共有

幾十個「提示」標籤，其中的內容都是功力很高的成功經驗分享與易錯事項歸納，有關於經驗技巧的，也有關於風險避開的，可以幫助讀者在學習的路途上披荊斬棘，快速進步。  

基於DBpedia關鍵字擴增以提升文件主題偵測模型的效益

為了解決路透社新聞的問題，作者曾一晉 這樣論述：

在現今資料快速增加的時代，從電子新聞到推特臉書等社群媒體，網路已成為最容易獲取資訊的方式，但是面對如此多的資訊內容，使用者常需花費相當多的時間，以了解眾多非結構化的資訊，無法利用單純的分類方法，去掌握文件主題發展趨勢，因此如何在眾多資訊找出主題或趨勢就成為研究的課題，而主題模型即是從大量文本資料擷取主題概念的重要方法。一般文件主題偵測方法常以計算文件相似度為基礎，但在不同文件中，會因內容多變措辭不同，造成文件間相似度偏低。基於圖形化的主題偵測方法則把關鍵字詞當作是節點，藉以找出主題集群的方法，而其中KeyGraph方法就是利用字詞間co-occurrence的關係來建立連結的圖形化主題偵測方

法。由於字詞因在不同文件中，可能有同義不同詞或是兩字詞有相關聯性，但因兩字相異就無法建立連結，造成兩篇文章關聯性過低，因此本研究根據此問題進行解決，透過知識本體語料庫DBpedia背景知識，幫助增加與該篇文章有相關的關鍵字詞，藉以讓KeyGraph能形成更好的主題群集，並增加主題下關鍵字的內容，成效評估方式不應只依賴傳統的精確率與召回率，應當去瞭解使用者真正的需求與目的，才能設計、調整出最佳的分類系統。因此本研究提出的方法評估出在路透社及CNET分群出的新聞主題數與原未使用擴增方法相比皆提升了三個新主題，主題下相關分類新聞數量則各增加51%及45%，產生群集結果優於原KeyGraph方法。