TensorFlow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

全格局使用PyTorch - 深度學習和圖神經網路 - 基礎篇

為了解決TensorFlow的問題，作者李金洪 這樣論述：

　　深度學習擅長處理結構規則的多維資料（歐氏空間），但現實生活中，很多不規則的資料如：社群、電子商務、交通領域，多是之間的關聯資料。彼此間以龐大的節點基礎與複雜的互動關係形成了特有的圖結構（或稱拓撲結構資料），這些資料稱為「非歐氏空間資料」，並不適合用深度學習的模型去分析。   　　圖神經網路（Graph Neural Networks, GNN）是為了處理結構不規則資料而產生的，主要利用圖結構的資料，透過機器學習的方法進行擬合、預測等。   　　〇 在結構化場景中，GNN 被廣泛應用在社群網站、推薦系統、物理系統、化學分子預測、知識圖譜等領域。 　　〇 在非結構化領域，GNN 可以用在圖

型和文字等領域。 　　〇 在其他領域，還有圖生成模型和使用 GNN 來解決組合最佳化問題的場景。   　　市面上充滿 NN 的書，但卻沒有一本完整說明 GNN，倘若不快點學這個新一代的神經網路，你會用的普通神經網路馬上就會落伍了！非歐氏空間才是最貼近人類生活的世界，而要真正掌握非歐氏空間的問題解決，GNN 是你一定要學的技術，就由本書一步步帶領你完全攻略！   　　〇 使用 Graph 概念取代傳統的歐氏空間神經元 　　〇 最好用的 PyTorch + Anaconda + Jupyter 　　〇 從基礎的 CNN、RNN、GAN 開始上手神經網路 　　〇 了解基礎的啟動函數、損失函數、L1/

L2、交叉熵、Softmax 等概念 　　〇 NLP 使用神經網路處理 + 多頭注意力機制 　　〇 Few-shot/Zero-shot 的神經網路設計 　　〇 空間域的使用，使用 DGL、Networkx 　　〇 利用 GNN 進行論文分類   本書特色   　　～GNN 最強入門參考書～ 　　● 以初學者角度從零開始講解，消除讀者學習過程跳躍感 　　● 理論和程式結合，便於讀者學以致用 　　● 知識系統，逐層遞進 　　● 內容貼近技術趨勢 　　● 圖文結合，化繁為簡 　　● 在基礎原理之上，注重通用規律 　

TensorFlow進入發燒排行的影片

多軸⾶⾏器強化學習控制

為了解決TensorFlow的問題，作者畢楨煥 這樣論述：

本論⽂討論使⽤強化學習控制法則進⾏多旋翼無⼈機的⾶⾏控制。在控制⽅⾯，提出⼀種基於強化學習的低階控制器和兩種改進⽅法，使多旋翼控制器性能⽐⼀般強 化學習控制器具備更通⽤性以及強健性。本研究從四旋翼機構建模和模擬環境的構建 開始，基於神經網路的四軸⾶⾏器控制器經由強化學習演算法，產⽣⼀控制策略來調 節四旋翼⾶⾏器的⾶⾏。其中四旋翼機的環境狀態做為神經網路的輸⼊，⽽四個轉⼦ 的推⼒作為控制輸出。此四旋翼控制器可歸類為⼀⾮線性控器，並且只需透過定義⼀ 個損失函數來作為控制策略的最佳化⽬標，此提出的⽅法顯著簡化四旋翼控制器的設 計過程。為了驗證多旋翼控制策略的結果，本研究除了在系統模擬環境中對策略進

⾏ 訓練和驗證，也在實驗部分通過控制閉迴路結構將控制策略應⽤於真實的多旋翼⾶⾏ 器，本⽂將訓練好的強化學習控制策略實現於機載⾶⾏電腦，並且觀察與討論此控制 策略應⽤在現實世界中多旋翼⾶⾏器的可⾏性和⾶⾏表現。 針對強化學習控制器的通⽤性，本論⽂提出了⼀種多⽤途控制⽅法。通過修改神經網路的輸⼊和輸出，該⽅法可以克服強化學習控制器只適⽤於於特定模型以及特定 物理參數問題，解決耗時以及⾼成本控制器訓練。在強健性⽅⾯，本論⽂提出了⼀種 具有擾動補償的強化學習控制結構，以解決外部擾動下的四旋翼定位問題。所提出的 控制⽅案構建了⼀個⼲擾觀測器來估計施加在四旋翼三個軸上的外⼒，例如室外環境 中的陣⾵。通過在

神經網路控制引⼊⼲擾補償器，此⽅法顯著提⾼了室內和室外環境 中的定位精度和強健性。 本論⽂還提出⼀種實時軌跡規劃器，引⼊強化學習控制來解決⽋驅動四旋翼⾶⾏器垂直降落問題。四旋翼⾶⾏器的軌跡⽣成和追蹤⽅法分別利⽤了強化學習和傳統控 制器的優點。與傳統的最佳化求解器相⽐，通過訓練過的強化學習控制器只需更短的 時間即可⽣成可⾏的軌跡，並且結合傳統的軌跡追蹤控制器以利於四旋翼的控制並對 其穩定性和強健性進⾏數學分析。

從機器學習到人工智慧｜寫給Android/iOS程式師的ML/AI開發指南

為了解決TensorFlow的問題，作者LaurenceMoroney 這樣論述：

　　幫助Android/iOS開發者了解如何應用AI/機器學習技術開發app 　　如果無處可用，AI什麼都不是。在人手一機的時代裡，如何應用AI已經成為行動裝置App開發人員的必修課程。本書是你在主流行動裝置平台（iOS與Android）上應用機器學習技術開發相關app的最佳指南。 　　本書介紹機器學習的相關技術與工具，並引導你應用ML Kit、TensorFlow Lite與Core ML等工具，開發電腦視覺與文字辨識等應用機器學習技術的Android/iOS應用程式。 　　．介紹可以應用在行動裝置上的AI/ML相關技術 　　．建立為iOS和Android的機器學習模型 　　．應用

ML Kit與TensorFlow Lite開發Android/iOS應用程式 　　．如何依據需求選擇技術與工具，如雲端或裝置端的取捨，以及API的選擇 　　．了解機器學習技術應用的上的隱私與道德考量

應用深度學習模型、時間序列分群方法和序列分析探討學生的學習表現

為了解決TensorFlow的問題，作者林英儒 這樣論述：

在面對面的實體教室中，教學現場的人員比較容易觀察學生於課堂中的學習狀況；當學生在學習過程中遇到問題時，也較能清楚地了解問題所在，幫助學生解決問題。不過在課堂以外的時間，教學人員不易得知學生的學習狀況與學習過程。因此，本研究希望透過學習管理系統收集學生在學習過程中的日誌資料（Logs），並使用深度學習模型、時間序列分群方法和序列分析探討學生於課程中的學習表現，最後將研究結果回饋給教學現場的人員，使老師和助教能夠幫助學習進度較緩慢、或是在學習過程中遇到問題的學生。