修改apk的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

Pieceduino氣氛燈程式開發(智慧家庭篇)

為了解決修改apk的問題，作者曹永忠,許智誠,蔡英德 這樣論述：

　　本書針對智慧家庭為主軸，進行開發各種智慧家庭產品之小小書系列，主要是給讀者熟悉使用Arduino Compatiable開發板：PieceDuino開發板(http://www.pieceduino.com/)來開發氣氛燈泡之商業版雛型(ProtoTyping)，進而介紹這些產品衍伸出來的技術、程式攥寫技巧，以漸進式的方法介紹、使用方式、電路連接範例等等。 　　PieceDuino開發板最強大的特點：他是完全Arduino Compatiable開發板，搭載Lenonard相同的單晶片：ATmega32u4，並在板內加上無線模組:ESP8266 WiFi Module

，無線網路涵蓋距離，在不外加天線之下，就可以到達20公尺，這對於家庭運用上，不只是足夠，還是遠遠超過其需求。  

修改apk進入發燒排行的影片

基於行動裝置與ULBP演算法之 人臉辨識系統

為了解決修改apk的問題，作者陳傑恩 這樣論述：

走在路上，有人像認識你一樣跟你打招呼，但你卻認不出來他是誰，你有這樣的經驗嗎？如果有的話，那麼你可能得了臉盲症，臉盲症的正式全名為面部辨識能力缺乏症(Prosopagnosia），是一種認知障礙疾病，罹患此症的患者無法以臉部特徵來辨識他人、甚至是自己的臉孔，通常伴隨臉盲症而來的，就是社交困難，無法辨別他人臉部，會讓人難以建立關係或認識新朋友，英國國民健保署指出，臉盲症患者會避免社交互動、產生社交焦慮症，甚至有可能得到憂鬱症。近年來行動式裝置發展越來越廣在各種醫療層面都可運用，為了讓臉盲症患者可以透過行動式裝置得到對方個人資料以提升雙方交流流暢度，不會造成尷尬的場面，開發了一套系統，系統前端部

分參考一般市面上電子名片App的功能設計了一款 Android App，透過PHP與資料庫、資料集等候端進行連動，可供使用者註冊、登入、編輯使用者個人資料、建立個人朋友列表、查看朋友個人資料、利用人臉辨識查找對方個人資料，演算法部分，人臉辨識一直以來都是最具挑戰性的辨識人臉方法，然而，光源、臉部角度、臉部紋理的清晰程度，依然是人臉辨識上幾個主要問題，本論文採用等價局部二值模式(Uniform Local Binary Patterns，ULBP）、局部二值模式直方圖 (Local Binary Patterns Histograms，LBPH）、歐式距離的演算法架構以及歪頭矯正(Face Al

ignment）、圖片尺寸調整、限制對比度的自適應直方圖等化(Contrast Limited Adaptive Histgram Equalization，CLAHE）等前處理來降低光源、臉部角度、臉部紋理對人臉辨識造成的影響，局部二值模式 (Local Binary Patterns，LBP）本身具有灰階不變性、計算複雜度低、無需訓練學習等優點，但是LBP計算維度太高，所以使用ULBP對圖片提取降維的LBP特徵值也就是ULBP特徵值，再使用LBPH將圖片劃分為若干個子區域，然後，在每個子區域內建立一個依ULBP特徵值產生的ULBP特徵直方圖，將每個子區域的ULBP特徵直方圖鏈接起來，從而得

到整幅圖像的ULBP特徵直方圖，最後將整幅圖像的ULBP特徵直方圖作為特徵向量進行分類，其中使用歐式距離來進行人臉辨識。利用此App，使用者可以將對方進行拍攝並透過前處理、ULBP、LBPH、歐式距離，在資料集裡搜尋臉部最相似的使用者，並依據本人所設的歐式距離閥值判斷對方是否為陌生人，如果小於歐式距離閥值則將對方的個人資料從資料庫中找出，並以該使用者的朋友列表作為安全性的依據，如果朋友列表上有對方，再將對方個人資料顯示在行動裝置上，反之則會顯示對方是該使用者不認識的陌生人，最後依據實驗的結果，本系統的基本功能有達到一般市面上電子名片App大部分功能並多出人臉辨識功能，人臉辨識執行時間平均是15

~16秒，其中人臉辨識中演算法部分則需1.5秒就能產生結果，前處理部分偵測人臉最大歪頭角度可以偵測到最大±42度，最遠辨識距離達到11.48公尺，歐式距離閥值為1.682，人臉辨識率為91.6%。

AR Unity擴增實境實務開發

為了解決修改apk的問題，作者謝旻儕,蔡孟君 這樣論述：

　　只要對AR有興趣者想學習AR開發、沒有程式基礎者…等，皆可透過此書，按照範例逐步入門學習。讓讀者體驗從無到有的AR製作過程。透過漸進式的主題學習，初學者可以先從概念與不需程式腳本的基礎課程入門，不用寫太複雜的程式碼，也能根據本書製作出AR專題實務。

一種針對LSTM長序列問題之新型前處理降維方法研究－以Android惡意程式分析為例

為了解決修改apk的問題，作者徐振皓 這樣論述：

目前Android手機市場的佔比最高，而惡意軟體的成長速度幾乎是以倍數成長。傳統惡意軟體偵測方法採用多種特徵，如：API、 system call、控制流、權限等方式做機器學習分析，然而，這些特徵容易被攻擊者修改以及混淆，另外傳統機器學習大多採用N-gram的方式，之後再特徵選取，不僅運算量大，面對新樣本時特徵又要重新提取。針對LSTM等序列深度學習模型將原始資料輸入模型後也會遇到長序列問題。所謂長序列問題，即輸入越長，模型越難記憶早期特徵，稱為梯度消散。因此部分研究採取訓練Embedding層以及Autoencoder等方式降維，亦即透過將特徵投影到另一維度做降維，但只要資料集有變化，其訓

練出的結果就會不同。本篇論文提出一個基於深度學習與創新前處理壓縮技術的Android軟體偵測架構對惡意軟體做偵測，採用較底層的opcode操作碼當作特徵，其具有豐富意義也不容易遭到修改，並提出一種創新的前處理降維方法，在前處理時減少模型輸入資料量，解決深度學習會遭遇到的長序列問題，來達到快速偵測以及彈性訓練模型的目的。在未來面對新特徵及新樣本出現的同時，也可以很容易的擴充現有模型。本研究使用前處理後的opcode特徵向量輸入LSTM模型，實驗結果證明可以在不到3分鐘內訓練出高達95.58%準確度的家族分類模型。