APNs的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括賽程、直播線上看和比分戰績懶人包

基於瀏覽器的深度學習

為了解決APNs的問題，作者（法）澤維爾·布里 這樣論述：

本書是一本在流覽器中進行深度學習應用的入門實踐指南，主要內容包括神經網路架構、主流的JavaScript深度學習框架、深度學習的JavaScript基礎、基於web GL的加速、流覽器上的資料提取和資料操作，以及TensorFlow.js實踐應用。每章都配有完整的代碼示例和視覺化效果，輕鬆易學。書中還詳細介紹TensorFlow.js中的重要模組tfjs-core、tfjs-layers、tfjs-node和tfjs-converter等。   全書共8章，第1章主要介紹深度學習相關的數學知識、概念及架構；第2章介紹在深度學習應用中常用的深度學習架構；第3章介紹用在流覽器上的三種不同JavaS

cript深度學習框架，即TensorFlow.js、WebDNN和Keras.js；第4章介紹在流覽器和Node.js中運行深度學習框架的JavaScript基礎；第5章介紹如何將深度學習操作映射到GPU，並展示如何用WebGL實現神經網路；第6章介紹如何從流覽器提取資料，如從URL載入圖片資料、從網路攝像頭解析幀資料，或者從手機解析資料；第7章給出一些在流覽器中運算元據的實用方法；第8章通過一些小專案詳細闡釋TensorFlow.js實踐細節。 賽維爾·布里（Xavier Bourry）是創業公司Jeeliz的聯合創始人和CTO，專注於深度學習。他使用WebGLAPI開

發了基於GPU的深度學習引擎，其性能比tfjs高，能夠用於即時視頻處理。 佐佐木凱（Ka iSasaki）是Arm公司的高級軟體工程師，還是Apache Hivemall Committer。他擅長Web和資料處理平臺，在使用APNS與GCM開發和維護通知平臺、開發Hadoop和Storm等資料處理平臺、開發／維護Presto集群等方面有豐富的經驗。 　　 克裡斯托夫·科納（Christoph Korner）是微軟公司大資料和人工智慧專家，之前是T-Mobile Austria的大資料技術主管、Kaggle Vienna機器學習社區的會議組織者。除本書外，他還著有《Learning Res

ponsive Data Visualization》《Data Visualization with D3 and AngularjS》等。 　　 中野禮·郎（Reiichiro Nakano）是Infostellar公司的軟體發展工程師，專注於機器學習。 譯者序 前言 第 1 章 深度學習. . . . . . . . . . . . . . . . . . . . . . .1 1.1 深度神經網路的數學基礎 . . . . 1 1.1.1 感知機||門控線性回歸 . . . . 2 1.1.2 多層感知機. . . . . . . . . . . . . . . .

.5 1.1.3 卷積和池化. . . . . . . . . . . . . . . . .5 1.1.4 啟動函數 . . . . . . . . . . . . . . . . . . . 7 1.2 深度神經網路的訓練. . . . . . . .11 1.2.1 損失函數的重要性 . . . . . . . . . 12 1.2.2 正則化 . . . . . . . . . . . . . . . . . . . .12 1.2.3 反向傳播演算法 . . . . . . . . . . . . . 13 1.2.4 優化方法. . . . . . . . . . . . . .

. . . .13 1.3 本章小結. . . . . . . . . . . . . . . . . . . .14 第 2 章 神經網路架構. . . . . . . . . . . . . . . . .15 2.1 卷積神經網路 . . . . . . . . . . . . . . . 15 2.1.1 AlexNet . . . . . . . . . . . . . . . . . . 16 2.1.2 GoogLeNet. . . . . . . . . . . . . . . .17 2.1.3 ResNet . . . . . . . . . . . . . . . .

. . . 18 2.1.4 SqueezeNet . . . . . . . . . . . . . . . 19 2.2 迴圈神經網路 . . . . . . . . . . . . . . . 22 2.2.1 LSTM . . . . . . . . . . . . . . . . . . . 23 2.2.2 GRU . . . . . . . . . . . . . . . . . . . . .24 2.3 深度強化學習 . . . . . . . . . . . . . . . 25 2.4 本章小結. . . . . . . . . . . . . . . . . . . .

28 第 3 章 JavaScript 深度學習框架 . . . . 29 3.1 TensorFlow.js . . . . . . . . . . . . . . .29 3.1.1 TensorFlow.js 介紹 . . . . . . . . 30 3.1.2 XOR 問題 . . . . . . . . . . . . . . . . 30 3.1.3 解決 XOR 問題 . . . . . . . . . . . 32 3.1.4 網路架構. . . . . . . . . . . . . . . . . .37 3.1.5 張量 . . . . . . . . . . . .

. . . . . . . . . . 39 3.1.6 張量操作. . . . . . . . . . . . . . . . . .40 3.1.7 模型訓練. . . . . . . . . . . . . . . . . .43 3.1.8 TensorFlow.js 的生態 . . . . . . 46 3.2 WebDNN . . . . . . . . . . . . . . . . . . . 48 3.3 Keras.js . . . . . . . . . . . . . . . . . . . . 51 3.4 本章小結. . . . . . . . . . . . .

. . . . . . .52 第 4 章 深度學習的 JavaScript 基礎 . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.1 JavaScript 中的TypedArray . . . . . . . . . . . . . . . . 53 4.1.1 ArrayBu.er . . . . . . . . . . . . . . 55 4.1.2 DataView . . . . . . . . . . . . . . . . 56 4.2 JavaScript 中的併發 . . . . . . . . 58 4

.2.1 JavaScript 的事件迴圈 . . . . . 58 4.2.2 用 Promise 創建一個非同步函數 . . . . . . . . . . . . . . . . . .59 4.2.3 使用新的async/await語法 . . . . . . . . . . . . . . . . . . . . . . 61 4.2.4 多執行緒使用 WebWorker . . . 64 4.2.5 深度學習應用程式的處理迴圈 . . . . . . . . . . . . . . . . . .66 4.3 在 CPU/GPU 上載入資源 . . . . . . . . . .

. . . . . . . . . . . . . . 66 4.3.1 Fetch API . . . . . . . . . . . . . . . . 67 4.3.2 標籤編碼. . . . . . . . . . . . . . . . . .69 4.3.3 one-hot 編碼 . . . . . . . . . . . . . . 69 4.4 本章小結. . . . . . . . . . . . . . . . . . . .70 第 5 章 基於 WebGL 的 GPU加速 . . . . . . . . . . . . . . . . . . . . . . . .

. . 73 5.1 WebGL 基礎 . . . . . . . . . . . . . . . . 74 5.1.1 WebGL 工作流程 . . . . . . . . . . 76 5.1.2 片段著色器渲染 . . . . . . . . . . . 78 5.2 WebGL 實現常規計算 . . . . . . 85 5.2.1 調試 WebGL . . . . . . . . . . . . . 86 5.2.2 渲染紋理. . . . . . . . . . . . . . . . . .87 5.2.3 精度重要性. . . . . . . . . . . . . . . .

92 5.2.4 優化器 . . . . . . . . . . . . . . . . . . . .94 5.2.5 GLSL 開發. . . . . . . . . . . . . . . .95 5.2.6 浮點型的特殊性 . . . . . . . . . . . 95 5.2.7 從 CPU 流向 GPU，反之亦然 . . . . . . . . . . . . . . . . . .99 5.3 使用紋理和著色器的矩陣計算 . . . . . . . . . . . . . . . . . . 101 5.3.1 標準的矩陣加法 . . . . . . . . . . 101 5

.3.2 標準的矩陣乘法 . . . . . . . . . . 102 5.3.3 啟動函數應用 . . . . . . . . . . . . 103 5.3.4 運用WGLMatrix庫 . . . . . . . . . 104 5.4 手寫數位識別應用 . . . . . . . . . 105 5.4.1 資料編碼 . . . . . . . . . . . . . . . . 105 5.4.2 記憶體優化 . . . . . . . . . . . . . . . . 105 5.4.3 前向傳播 . . . . . . . . . . . . . . . . 107 5.4.

4 第一次嘗試 . . . . . . . . . . . . . . 107 5.4.5 優化性能 . . . . . . . . . . . . . . . . 108 5.5 本章小結 . . . . . . . . . . . . . . . . . . 109 第 6 章 從流覽器中提取資料 . . . . . . . . 111 6.1 載入圖像資料. . . . . . . . . . . . . .112 6.1.1 從圖像中提取圖元 . . . . . . . . 112 6.1.2 載入遠端資源 . . . . . . . . . . . . 114 6.1.3 獲取二進

位塊 . . . . . . . . . . . . 116 6.2 將圖元資料渲染到螢幕上 . . 117 6.2.1 顯示圖片 . . . . . . . . . . . . . . . . 118 6.2.2 將圖元資料渲染到畫布 . . . . 119 6.2.3 插值圖像資料 . . . . . . . . . . . . 122 6.2.4 在畫布上繪製形狀 . . . . . . . . 124 6.3 訪問相機、麥克風和揚聲器. . . . . . . . . . . . . . . . . . . . .126 6.3.1 從網路攝像頭捕獲圖像 . . . . 126 6.3

.2 用麥克風錄音 . . . . . . . . . . . . 128 6.3.3 載入、解碼和播放聲音 . . . . 130 6.4 深度學習框架中的實用工具. . . . . . . . . . . . . . . . . . .131 6.4.1 TensorFlow.js . . . . . . . . . . . 131 6.4.2 Keras.js . . . . . . . . . . . . . . . . . 133 6.4.3 WebDNN . . . . . . . . . . . . . . . 133 6.5 本章小結 . . . . . . . . . . .

. . . . . . . 135 第 7 章 高級資料操作的方法 . . . . . . . . 137 7.1 反序列化 Protobuf . . . . . . . . 138 7.1.1 解析 Caffe 模型參數 . . . . . . 139 7.1.2 解析 TensorFlow 圖. . . . . . .141 7.1.3 浮點精度的注意事項 . . . . . . 142 7.2 用 Chart.js 繪製圖表. . . . . . .143 7.2.1 探索不同的圖表類型 . . . . . . 144 7.2.2 配置資料集 . . . . . . . . . .

. . . . 146 7.2.3 更新值. . . . . . . . . . . . . . . . . . .147 7.2.4 選項和配置概述 . . . . . . . . . . 150 7.3 用畫布畫草圖. . . . . . . . . . . . . .153 7.3.1 在畫布上繪圖 . . . . . . . . . . . . 154 7.3.2 提取筆劃 . . . . . . . . . . . . . . . . 158 7.4 從麥克風計算頻譜圖. . . . . . .159 7.5 人臉檢測與跟蹤 . . . . . . . . . . . 162 7.5

.1 用 Jeeliz FaceFilter跟蹤人臉. . . . . . . . . . . . . . . . .162 7.5.2 使用 tracking.js 跟蹤人臉 . . . . . . . . . . . . . . . . . . . . . 163 7.5.3 Chrome 中人臉檢測的原生支持. . . . . . . . . . . . . . . . .165 7.6 本章小結 . . . . . . . . . . . . . . . . . . 167 第 8 章 基於 TensorFlow.js構建應用 . . . . . . . . . . . . . .

. . . . . . 169 8.1 TensorFlow.js 實現手勢識別. . . . . . . . . . . . . . . . . . .169 8.1.1 演算法解說 . . . . . . . . . . . . . . . . 170 8.1.2 TensorFlow.js 專案準備 . . . 171 8.1.3 產生實體 KNN 圖像分類器 . . . . . . . . . . . . . . . . . . . . . 172 8.1.4 TensorFlow.js 反覆運算訓練 . . . 173 8.1.5 小結. . . . . . . . . . . .

. . . . . . . . .176 8.2 TensorFlow.js 實現文本生成 . . . . . . . . . . . . . . . . . . . . . . . 176 8.2.1 演算法解說 . . . . . . . . . . . . . . . . 176 8.2.2 Keras 模型 . . . . . . . . . . . . . . .177 8.2.3 將 Keras 模型轉換為TensorFlow.js 模型 . . . . . . . 178 8.2.4 專案準備 . . . . . . . . . . . . . . . . 178 8.2.5 在

TensorFlow.js 中導入Keras 模型 . . . . . . . . . . . . . . 179 8.2.6 TensorFlow.js 反覆運算訓練 . . . 179 8.2.7 構造模型輸入 . . . . . . . . . . . . 181 8.2.8 模型預測 . . . . . . . . . . . . . . . . 183 8.2.9 模型輸出抽樣 . . . . . . . . . . . . 184 8.2.10 小結. . . . . . . . . . . . . . . . . . . .186 8.3 TensorFlow.js 實現圖像降

噪. . . . . . . . . . . . . . . . . . .186 8.3.1 演算法解說 . . . . . . . . . . . . . . . . 187 8.3.2 將 Keras 模型轉換為TensorFlow.js 模型 . . . . . . . 188 8.3.3 專案準備 . . . . . . . . . . . . . . . . 189 8.3.4 初始化. . . . . . . . . . . . . . . . . . .190 8.3.5 應用流程 . . . . . . . . . . . . . . . . 190 8.3.6 載入測試數位

圖片 . . . . . . . . 191 8.3.7 更新雜訊 . . . . . . . . . . . . . . . . 193 8.3.8 生成變形圖片 . . . . . . . . . . . . 194 8.3.9 圖片降噪 . . . . . . . . . . . . . . . . 195 8.3.10 初始化函數 . . . . . . . . . . . . . 196 8.3.11 小結. . . . . . . . . . . . . . . . . . . .197 8.4 本章小結 . . . . . . . . . . . . . . . . . . 19

7 8.5 最後結論 . . . . . . . . . . . . . . . . . . 198

APNs進入發燒排行的影片

基於原生架構設計與實現應用WebRTC的即時多媒體通訊

為了解決APNs的問題，作者陳哲偉 這樣論述：

自2020年起，全世界都飽受COVID-19所苦，新冠肺炎的高度傳染性對於現今社會造成極大的衝擊。公司員工每週定期面對面匯報工作進度的晨會被迫中止，遠端通訊媒體如雨後春筍般地湧現， Google Meet、Microsoft Teams 和 Zoom 等各種應用了 WebRTC 的通信應用如雨後春筍般湧現，皆旨在為疫情時代找出讓生活重回正軌的方法。WebRTC，全稱為Web Real-Time Connection，是一種藉由點對點的UDP來傳送串流資料的架構，它能夠通過應用程序介面來為行動裝置提供即時通信，並以具有相當低的延遲而聞名。而以原生的架構實現則可以讓其對裝置的控制力最大化。本論文

提出一種基於原生架構設計與實現應用WebRTC的即時多媒體通訊，冀望能為後疫情時代重建中的秩序盡一份心力。

Child Behavioral and Parenting Challenges for Advanced Practice Nurses: A Reference for Front-line Health Care Providers

為了解決APNs的問題，作者Muscari, Mary, Ph.D. 這樣論述：

Delivers the most comprehensive information available for APNs on dealing with child behavioral and parenting challengeFront-line nurse practitioners are increasingly required to assess, identify, manage, and refer the complex and often significant childhood behavioral challenges occurring among chi

ldren and adolescents. This authoritative and comprehensive behavior management reference provides nursing health care providers and students with the evidence-based information and strategies they need to identify and appropriately intervene with such behavioral challenges and to assist parents in

dealing appropriately and effectively with their child. In an accessible and easy-to-read format, the text examines the primary health care professional's role in screening behavioral issues, identifies a great variety of problems they are likely to encounter, and educates the provider on how to ass

ess difficult and challenging behaviors. Each problem is consistently organized to include a description; assessment: diagnosis; levels of prevention/intervention; primary, secondary, and tertiary strategies for dealing with the behavior; and additional resources. Not only does the book provide a cl

ear indication of when and how to refer the youth to the appropriate mental health professional or other specialist, but delineates strategies for what to do while awaiting referral and how to maintain a primary care role during the psychiatric intervention process. Important legal issues are addres

sed along with protocols that are accepted by health care and legal agencies. The text also provides an overview of the integration of behavioral health into primary care along with EBP guidelines and parent teaching guides. Key Features: Provides APNs with the basic foundations to understand, ident

ify, and manage significant behavioral challenges of childhood Examines the primary care health care professional's role in working with these issues Delivers evidence-based information and strategies for assessment and intervention Provides clear indication of when and how to refer to appropriate m

ental health professional or other specialist Addresses protocols to follow that are accepted by the health care and legal population

最佳化即時多媒體串流系統基於WebSocket網路服務

為了解決APNs的問題，作者高語謙 這樣論述：

現今為人手一機的通訊時代，網路電話成為每個人生活中的必需品。2020年以來，疫情不斷的嚴峻及多個地方衍生感染，這就代表著未來的工作模式將會從在家工作（Work From Home，WFH）演變成隨處辦公（Work From Anywhere，WFA），企業及各種公司不僅提供員工居家上班，並且可以透過通訊軟體適時的匯報及討論。不僅僅學校跟進遠端上課，連生病看診都透過視訊的方式來進行溝通，在上述的種種情況下，網路電話無形之中已成為了一項重要的技術。我們每天都使用通訊設備時，偶爾會出現網路訊號不穩、推播遺漏、多裝置接通後無法關閉或是持續響鈴等問題，這些問題常常造成使用者不好的體驗。因此，本篇論文將

著重於實作如何透過Firebase雲訊息傳遞（Firebase Cloud Messaging，FCM）及Apple推播通知服務（Apple Push Notification Service，APNs）實現Android與iOS的推播。除此之外，現今大多數的民眾都享有多台手機，因此，本系統將會透過Socket.IO處理伺服器和客戶端之間進行雙向的即時通訊，並且優化民眾對於多裝置情況下的網路電話接通、掛斷及拒絕服務。