節點node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

tf.keras 技術者們必讀!深度學習攻略手冊

為了解決節點node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。 

節點node進入發燒排行的影片

用戶網絡對專業社群平台用戶參與度的影響性研究- 以半導體經銷商為例

為了解決節點node的問題，作者洪苡鈞 這樣論述：

2020年有42億人口使用社群平台，平均每人每日近2.5小時在社群平台分享個人訊息外，也透過各類社群平台進行資訊搜尋，從早期的線上論壇，社群平台朝多元化發展，其中專業社群平台是以特定領域知識分享交流為主，平台中用戶一般皆具備該領域專業知識，成員間的知識交流與互動則為專業社群平台經營的重要方向，而用戶參與度會是衡量平台經營成效的重要指標。隨著社群平台的蓬勃發展，雖有許多社群相關的研究，然而針對用戶社交網絡與社群參與度的相關研究則較少被探討，有鑑於此，本研究擬以半導體經銷商之專業社群平台為例，針對用戶與平台不同互動方式，定義廣度互動網絡以及深度互動網絡，並依據四大網絡分析方法提出一綜合型專業社群

平台參與度指標(PSNEI)用以評估平台經營成效，同時透過皮爾斯與斯皮爾曼的相關性檢定，找出影響專業社群平台參與度的關鍵特徵，最後，藉由五組不同圖形演算法在廣度互動網絡與深度互動網絡中找出關鍵節點。研究結果發現深度互動網絡的PSNEI明顯高於廣度互動網絡，這可呼應使用者更進一步行為確實增加了互動。無論廣度或深度互動網絡，PageRank對於PSNEI皆具高度正向影響性，由於高PageRank節點有較高影響力，讓使用者瀏覽後進一步下載、分享等行為；此外，發文數目並不是造成關鍵節點主要因素，而是如何透過內容吸引使用者間互動。本研究依據四大網絡分析方法分別對應四個維度，包含：網絡擴散性、網絡可及性、

網絡互動度與網絡影響度，綜合而成一個專業社群平台參與度衡量指標，是以一個客觀衡量基準來評估不同網絡中的用戶參與度，未來若能加上網絡特徵、企業線下活動或產品特徵等不同類型資料，將可助於理解用戶更細微的互動。

容器雲運維實戰--Docker與Kubernetes集群

為了解決節點node的問題，作者黃靖鈞馮立燦 這樣論述：

本書圍繞當前容器雲運維的主流框架：Docker、Kubernetes詳細介紹了容器雲運維的實戰技巧，在內容上分為三大部分：第一部分（第1～2章）介紹了在Linux系統中傳統伺服器運維的基礎知識以及集群管理工具；第二部分（第3～7章）講解了以Docker為主的容器引擎的基本知識與原理，並介紹了容器技術在DevOps中的實際應用場景；第三部分（第8～9章）詳細講解了基於Kubernetes的容器雲集群運維技巧。全書幾乎囊括了容器雲主流的運維開發生態，詳細講解了基於容器雲的集群運維解決方案。本書適合容器雲初學者，也適合那些對Docker有一定了解，但對容器雲的運維方式不甚了解的讀者。

黃靖鈞，全棧開發者。長期以來一直使用容器技術作為應用部署方案，在Docker容器實戰方面經驗豐富。曾參與多個PaaS與CaaS（容器即服務）項目開發，現從事Serverless與SDN等領域的研究。 馮立燦，Linux愛好者、後端程序員。主要研究方向包括雲平台架構和集群自動化運維，目前在某初創公司負責容器平台的開發與維護。實戰經驗豐富，熱衷於推廣並落地實施容器相關技術。 第1章 Linux 運維基礎 1 1．1 Linux基礎 2 1．1．1 systemd 2 1．1．2 Shell腳本 6 1．2 自動化運維 14 1．2．1 自動化運維之Ansible 14 1．

2．2 Ansible的使用 16 1．2．3 Ansible模組 23 1．2．4 playbook 27 1．3 本章小結 38 第2章 高可用的Linux集群 39 2．1　高可用集群基礎 40 2．1．1 高可用衡量標準 40 2．1．2 高可用層次結構 40 2．1．3 常見的高可用方案 41 2．2　虛擬服務的實現 44 2．2．1 DNS輪詢 44 2．2．2 用戶端調度 45 2．2．3 應用層負載調度 46 2．2．4 IP層負載調度 46 2．3　LVS負載均衡 46 2．3．1 LVS體系結構 47 2．3．2 IP負載均衡 48 2．3．3 負載調度演算法 54 2．

3．4 ipvsadm工具詳解 56 2．3．5 LVS集群實踐 58 2．4　Nginx負載均衡 63 2．4．1 Nginx設定檔詳解 63 2．4．2 Nginx負載均衡模組 68 2．5　本章小結 75 第3章 Docker容器引擎 76 3．1　容器技術 77 3．1．1 虛擬化技術 77 3．1．2 容器技術與Docker 79 3．1．3 容器技術原理 84 3．2　Docker基礎 89 3．2．1 Docker架構 89 3．2．2 Docker安裝 91 3．2．3 Docker命令 96 3．3　Docker鏡像 97 3．3．1 認識鏡像 97 3．3．2 鏡像操作

99 3．3．3 Dockerfile詳解 103 3．3．4 鏡像倉庫 118 3．4　Docker容器 121 3．4．1 認識容器 121 3．4．2 容器操作 123 3．4．3 數據卷 134 3．5　外掛程式與存儲驅動 138 3．5．1 Docker外掛程式 138 3．5．2 存儲驅動 139 3．6　容器與作業系統 140 3．6．1 為容器而打造：Container Linux（CoreOS） 140 3．6．2 定制化容器系統：RancherOS 142 3．7　本章小結 143 第4章 容器網路 144 4．1　Docker網路基礎 145 4．1．1 埠映射 145

4．1．2 埠暴露 146 4．1．3 容器互聯 147 4．2　Docker網路模式 152 4．2．1 none模式 152 4．2．2 container模式 154 4．2．3 host模式 155 4．2．4 bridge模式 156 4．2．5 overlay模式 157 4．3　Docker網路配置 158 4．3．1 Daemon網路參數 158 4．3．2 配置DNS 159 4．4　本章小結 159 第5章 容器編排 160 5．1　安裝Docker Compose 161 5．1．1 二進位安裝 161 5．1．2 使用Python pip安裝 161 5．2　Com

pose命令基礎 162 5．2．1 指定設定檔 162 5．2．2 指定專案名稱 163 5．2．3 Compose環境變數 163 5．2．4 build：構建服務鏡像 164 5．2．5 bundle：生成DAB包 165 5．2．6 config：檢查配置語法 165 5．2．7 create：創建服務容器 166 5．2．8 down：清理專案 167 5．2．9 events：查看事件 168 5．2．10 exec：進入服務容器 168 5．2．11 kill：殺死服務容器 169 5．2．12 logs：查看服務容器日誌 169 5．2．13 pause：暫停服務容器 170

5．2．14 port：查看服務容器埠狀態 170 5．2．15 ps/images：查看容器與鏡像 171 5．2．16 pull：拉取項目鏡像 172 5．2．17 push：推送項目鏡像 172 5．2．18 restart：重啟服務容器 173 5．2．19 rm：刪除項目容器 173 5．2．20 run：執行一次性命令 174 5．2．21 scale：設置服務容器數量 177 5．2．22 start：啟動服務容器 178 5．2．23 stop：停止服務容器 178 5．2．24 top：查看進程狀態 178 5．2．25 unpause：取消暫停 179 5．2．26 up：

啟動專案 179 5．3　Compose設定檔 183 5．3．1 設定檔基礎 183 5．3．2 基本配置 184 5．3．3 網路配置 199 5．3．4 配置擴展 200 5．4　Compose實戰 204 5．4．1 WordPress博客部署 204 5．4．2 Django框架部署 205 5．5　本章小結 207 第6章 Docker集群管理 208 6．1　Swarm 基礎 209 6．1．1 Docker Swarm 命令 209 6．1．2 Docker Node 命令 211 6．1．3 Docker Stack 命令 213 6．1．4 Docker集群網路 214

6．2　集群進階 223 6．2．1 Swarm：高可用的Docker集群管理工具 223 6．2．2 Shipyard：集群管理面板 225 6．2．3 Portainer：容器管理面板 227 6．3　本章小結 229 第7章 Docker生態 230 7．1　宿主管理工具：Machine 231 7．1．1 Machine的安裝 231 7．1．2 宿主環境管理 231 7．2　容器編排調度 233 7．2．1 Rancher：集群管理面板 233 7．2．2 Nomad：行業領先的調度系統 235 7．2．3 DC/OS：一切皆可調度 237 7．2．4 服務發現 238 7．3　私

有鏡像倉庫 239 7．3．1 私有倉庫的部署 239 7．3．2 VMware Harbor：企業私有倉庫 250 7．3．3 SUSE Portus：鏡像倉庫前端分佈認證 254 7．4　Docker外掛程式 256 7．4．1 授權外掛程式 256 7．4．2 Flocker存儲外掛程式 257 7．4．3 網路驅動外掛程式 257 7．5　Docker安全 259 7．5．1 Docker安全機制 259 7．5．2 Docker資源控制 261 7．5．3 Docker安全工具 264 7．6　監控與日誌 265 7．6．1 cAdvisor：原生集群監控 265 7．6．2 Log

spout：日誌處理 266 7．6．3 Grafana：數據視覺化 267 7．6．4 其他監控工具 269 7．7　基於Docker的PaaS平臺 270 7．7．1 Deis：羽量級PaaS平臺 270 7．7．2 Tsuru：可擴展PaaS平臺 270 7．7．3 Flynn：模組化PaaS平臺 271 7．8　Docker持續集成 271 7．8．1 Drone：羽量級CI工具 271 7．8．2 Travis CI：著名的CI/CD服務商 273 7．9　其他 274 7．10　本章小結 276 第8章 Kubernetes入門 277 8．1　Kubernetes介紹 278

8．1．1 什麼是Kubernetes 278 8．1．2 Kubernetes架構 278 8．1．3 Kubernetes的優勢 280 8．2　Kubernetes概念 281 8．2．1 Kubernetes資源 281 8．2．2 調度中心：Master 281 8．2．3 工作節點：Node 281 8．2．4 最小調度單位：Pod 283 8．2．5 資源標籤：Label 284 8．2．6 彈性伸縮：RC與RS 286 8．2．7 部署對象：Deployment 287 8．2．8 水準擴展：HPA 288 8．2．9 服務物件：Service 290 8．2．10 資料卷資源

：Volume 293 8．2．11 資料持久化：Persistent Volume 299 8．2．12 命名空間：Namespace 304 8．2．13 注釋：Annotation 304 8．3　Kubernetes部署 305 8．3．1 使用Minikube安裝Kubernetes 305 8．3．2 使用Kubeadm安裝Kubernetes 307 8．4　Kubernetes命令列詳解 309 8．4．1 基本命令（初級） 310 8．4．2 基本命令（中級） 318 8．4．3 部署命令 320 8．4．4 集群管理命令 323 8．4．5 故障排除與調試命令 326 8．

4．6 高級命令 329 8．4．7 設置命令 330 8．4．8 其他命令 332 8．4．9 kubectl全域選項 334 8．5　本章小結 335 第9章 Kubernetes運維實踐 336 9．1　Pod詳解 337 9．1．1 Pod配置詳解 337 9．1．2 Pod生命週期 340 9．1．3 共用Volume 343 9．1．4 Pod配置管理 343 9．1．5 Pod健康檢查 346 9．1．6 Pod擴容和縮容 348 9．2　Service詳解 349 9．2．1 Service的定義 349 9．2．2 Service的創建 350 9．2．3 集群外部訪問 3

51 9．2．4 Ingress負載網路 353 9．3　集群進階 355 9．3．1 資源管理 355 9．3．2 kubelet垃圾回收機制 359 9．4　監控與日誌 359 9．4．1 原生監控：Heapster 359 9．4．2 星火燎原：Prometheus 360 9．4．3 王牌組合：EFK 366 9．4．4 後起之秀：Filebeat 374 9．5　本章小結 376

機器學習應用於碳吸收技術智慧財產權分析之圖形摘要系統

為了解決節點node的問題，作者梁芷蘋 這樣論述：

在材料和化工研究領域，由於行業競爭，加速研究進展以提早進入市場進行商業佈局是研究中心首要目標。為了探索研究領域，研究人員需要閱讀大量的專利文獻來掌握市場，因此，如何有效的減少閱讀和分析專利文件的時間是一個重要的問題。為了減少專利文獻的閱讀時間，並提高文本分類的效率，本研究提出了一個專利文本知識圖建構系統，將專利文獻的知識以結構化的方式呈現給用戶。本研究以美國專利商標局 (United States Patent and Trademark Office , USPTO) 的碳吸收專利為案例研究。本研究架構主要可分為兩系統，第一是針對實驗程序進行的知識圖譜視覺化，二則是文本摘要的視覺化圖譜。首

先使用ALBERT (A Lite Bidirectional Encoder Representations from Transformers)進行文本分類訓練模型，主要用於將實驗程序相關的內容提取出來，並使用Python工具ChemDataExtractor將與程序相關的化學數據提取出來進行視覺化。而針對文本摘要的視覺化圖譜，首先使用SBERT (Sentence Bidirectional Encoder Representations from Transformers) 將文本中的句子向量化，並使用LexRank演算法提取重要關鍵句子得到文本摘要，並使用KeyBERT提取摘要中的關

鍵字詞作為圖譜中的節點 (node)，並關鍵字詞在文句中的關係計算節點與節點關係來得到圖譜中的線段 (edge)。最後使用Cytoscape來建構可視化圖譜，將整篇文獻的整體知識以網絡的形式呈現出來，為使用者提供視覺化的文本摘要圖，輔助使用者進行閱讀與修正，以便更迅速的掌握文獻的概況。