Yahoo奇摩 網頁搜尋

搜尋結果

  1. 2024年6月6日 · 政傑表示,新機房導入水冷式散熱設計,不僅利用伺服器本身的水冷機制,讓冷水通過主機板快速帶走熱能,取代過去氣冷式機房的冷熱通道散熱方式,此外,機櫃設計上建立水冷散熱機制,整合了散熱板、冷卻分配單元(CDU)、冷卻分配分流管(CDM ...

  2. 2023年10月7日 · 什麼是DHT11? DHT11 是一個結合濕度計和測溫元件量測週遭空氣環境,將所量測到的溫、濕度資料拆解成為數位訊號,再由感測器接腳將資料送出。 使用上很簡單,但是抓取資料時必須要特別注意時間的掌控,而且每筆資料的抓取時間間隔要2秒鐘以上,不能太快。 DHT11 的規格如下: 濕度測量範圍:20~90%; 濕度測量精度:±5%; 溫度測量範圍:0~50℃. 溫度測量精度:±2℃. 電源供應範圍: 3~5V. 頻率不可超過:0.5Hz (每2秒一次) 準備材料: Arduino Uno R3. USB 傳輸線. DHT11模組. 杜邦線. 實作介紹: 使用 Arduino UNO R3 開發板連接「DHT11溫溼度模組」讀取DHT11溫溼度模組所測到的溫度、溼度。 安裝 DHT11 程式庫.

  3. 2020年9月8日 · 當資料有缺失值的時候,通常有兩種做法,一種是刪除該資料,大部分的時候,我們不會採取刪除資料,但當缺失值太多的時候,像是超過一半的值都消失了,可以考慮將整個特徵刪掉。 第二種是將資料填滿,在這裡我們就只考慮第二種。 填滿的方式,有很多種方式,像是使用統計值 (眾數、平均數)、依照前面的值、差值法,我們就不去仔細探討。 實作. import pandas as pd # 引入pandas . df = pd.DataFrame({ "fruit": [ "apple", "banana", "peach", . "watermelon", "straberry" , "guava", "cherry" ],

  4. 2023年10月20日 · 2023台灣人工智慧年會. 生成式AI今年非常火紅,各大軟體、硬體巨頭紛紛投入,就連處理器龍頭英特爾也喊出AI PC時代來臨,要讓生成式AI在內的AI應用成為未來PC的主流應用,甚至不只是PC,這樣的趨勢未來也有可能延伸到行動或邊緣裝置上。 在聯發科負責電腦與AI部門的聯發科資深處長陸忠立在一場活動上也針對生成式AI在手機等行動裝置上的應用挑戰,提出他的觀察與解決之道。 從應用角度來看,陸忠立表示,目前生成式AI應用主要分為4類,包括文生文、文生圖,以及圖生圖與圖生文。 例如,ChatGPT就是一種文生文LLM模型的應用,而文生圖應用則有Stable Diffusion模型等。

  5. 2020年10月13日 · 而是要簡單介紹一下AI及深度學習的概念, 給大家做一個入門,後續要再深入的話,就可以再去參考更多其它的學習資源。 那麼,我們先聊聊什麼是AI。 人工智慧 (Artificial Intelligence), 過往是源自於一些根本的假設以及傳說所揉合而成。 人類對於機器人有一些想像,想像我們可以做出人造人, 這樣的機器人具備自我思考的能力,因而可以透過不斷的思考和選擇達到進化; 同時加上了中古時期對於鍊金術的想像:將意識賦予至無生命的物質當中。 綜合以上,因而我們對於一個AI的想法, 大體上不外乎是以「它會思考」這個角度來出發。 那麼,怎麼樣才算是會思考呢? 有一位電腦科學家圖靈 (Alan Mathison Turing), 提出了一個著名的測試方式:圖靈測試。

    • 李敏鎬1
    • 李敏鎬2
    • 李敏鎬3
    • 李敏鎬4
  6. About iThome. iThome Weekly was established in 1997, in business for more than 25 years. Every week we published approximately thirty thousand copies. The number of publications of iThome Weekly is among the top IT magazines in Taiwan. We focus on enterprise IT use case, IT management, IT products and technology progress for long time.

  7. 2023年10月9日 · 簡介. 接下來要來討論如何微調 (Finetune) 一個大型語言模型。 微調 LLM 與微調其他模型其實很相似,但是因為 LLM 的參數量較大,所以訓練的最低需求會比一般的模型高的多。 而且 LLM 是個很精密的模型,所以訓練時很容易失敗,無法生出理想的結果。 今天就來分享一下,訓練 LLM 的方法與心得。 任務設計. 一開始學習訓練模型時,我們可以透過單純的玩具任務 (Toy Task) 來練習。 玩具任務通常很簡單,因此模型容易學起來,而且資料來源也很容易爬取跟操作。 在這裡,筆者設計一個 路名解析任務 ,例如: 輸入:臺北市中正區八德路 輸出: {"city": "臺北市", "town": "中正區", "road": "八德路"}

  1. 其他人也搜尋了