電腦硬件檢查的問題，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

計算機組成與設計：硬件/軟件接口（ARM版）

為了解決電腦硬件檢查的問題，作者（美）戴維·A.帕特森 這樣論述：

本書由2017年圖靈獎得主Patterson和Hennessy共同撰寫，是電腦體系結構領域的經典教材，強調軟硬體協同設計及其對性能的影響。 本書採用ARMv8體系結構,講解硬體技術、組合語言、電腦算數運算、流水線、記憶體層次結構以及I/O的基本原理。新內容涵蓋平板電腦、雲基礎設施、ARM（行動計算裝置）以及x86（雲計算）體系結構，新實例包括IntelCorei7、ARMCortex-A53以及NVIDIAFermiGPU。本書適合作為高等院校電腦專業的教材，也適合廣大專業技術人員參考。 出版者的話 讚譽 譯者序 前言 作者簡介 第1章　電腦的抽象與技術 1 1.1　引言

1 1.1.1　電腦應用的分類和特點 2 1.1.2　歡迎來到後PC時代 3 1.1.3　你能從本書中學到什麼 4 1.2　電腦體系結構中的8個偉大思想 6 1.2.1　面向摩爾定律的設計 6 1.2.2　使用抽象簡化設計 7 1.2.3　加速大概率事件 7 1.2.4　通過並行提高性能 7 1.2.5　通過流水線提高性能 7 1.2.6　通過預測提高性能 7 1.2.7　記憶體層次結構 7 1.2.8　通過冗餘提高可靠性 7 1.3　程式表像之下 8 1.4　硬體包裝之下 10 1.4.1　顯示器 11 1.4.2　觸控式螢幕 12 1.4.3　打開主機殼 13 1.4.4　資料的安全存儲

15 1.4.5　與其他電腦通信 16 1.5　處理器和記憶體製造技術 17 1.6　性能 20 1.6.1　性能的定義 20 1.6.2　性能的度量 22 1.6.3　CPU的性能及其度量因素 24 1.6.4　指令的性能 24 1.6.5　經典的CPU性能公式 25 1.7　功耗牆 28 1.8　滄海巨變：從單一處理器向多處理器轉變 29 1.9　實例：Intel Core i7基準測試 32 1.9.1　SPEC CPU基準測試程式 32 1.9.2　SPEC功耗基準測試程式 34 1.10　謬誤與陷阱 34 1.11　本章小結 36 1.12　歷史觀點與拓展閱讀 37 1.13　練習

題 38 第2章　指令：電腦的語言 42 2.1　引言 42 2.2　電腦硬體的操作 44 2.3　電腦硬體的運算元 46 2.3.1　記憶體運算元 47 2.3.2　常數或立即數運算元 50 2.4　有符號數和無符號數 51 2.5　電腦中指令的表示 56 2.6　邏輯操作 61 2.7　決策指令 64 2.7.1　迴圈 65 2.7.2　邊界檢查的簡便方法 67 2.7.3　case/switch語句 67 2.8　電腦硬體對過程的支援 68 2.8.1　使用更多的寄存器 69 2.8.2　過程嵌套 71 2.8.3　在棧中為新資料分配空間 73 2.8.4　在堆中為新資料分配空間 74

2.9　人機交互 76 2.10　LEGv8中的寬立即數和地址的定址 79 2.10.1　寬立即數 79 2.10.2　分支中的定址 80 2.10.3　LEGv8定址模式總結 82 2.10.4　機器語言解碼 82 2.11　並行與指令：同步 86 2.12　翻譯並啟動程式 88 2.12.1　編譯器 88 2.12.2　彙編器 89 2.12.3　連結器 90 2.12.4　載入器 92 2.12.5　動態連結程式庫 92 2.12.6　啟動Java程式 94 2.13　綜合實例：C排序程式 95 2.13.1　swap過程 95 2.13.2　sort過程 97 2.14　陣列和指標

101 2.14.1　用陣列實現clear 102 2.14.2　用指針實現clear 102 2.14.3　比較兩個版本的clear 103 2.15　高級主題：編譯C和解釋Java 104 2.16　實例：MIPS指令集 104 2.17　實例：ARMv7（32位元）指令集 105 2.18　實例：x86指令集 106 2.18.1　Intel x86的演進 107 2.18.2　x86寄存器和資料定址模式 108 2.18.3　x86整數操作 110 2.18.4　x86指令編碼 112 2.18.5　x86總結 112 2.19　實例：ARMv8指令集的其他部分 113 2.19.1　

完整的ARMv8整數算術邏輯指令 114 2.19.2　完整的ARMv8整數資料傳輸指令 116 2.19.3　完整的ARMv8分支指令 117 2.20　謬誤與陷阱 118 2.21　本章小結 119 2.22　歷史觀點與拓展閱讀 121 2.23　練習題 121 第3章　電腦的算數運算 128 3.1　引言 128 3.2　加法和減法 128 3.3　乘法 131 3.3.1　順序乘法演算法及硬體 131 3.3.2　有符號乘法 134 3.3.3　更快速的乘法 134 3.3.4　LEGv8中的乘法 134 3.3.5　小結 135 3.4　除法 135 3.4.1　除法演算法及硬體

135 3.4.2　有符號除法 137 3.4.3　更快速的除法 138 3.4.4　LEGv8中的除法 138 3.4.5　小結 139 3.5　浮點運算 140 3.5.1　浮點表示 141 3.5.2　異常和中斷 142 3.5.3　IEEE 754浮點標準 142 3.5.4　浮點加法 145 3.5.5　浮點乘法 148 3.5.6　LEGv8中的浮點指令 150 3.5.7　算術精確性 154 3.5.8　小結 156 3.6　並行與電腦算術：子字並行 157 3.7　實例：x86中的流處理SIMD擴展和高級向量擴展 158 3.8　實例：其他的ARMv8算術指令 160 3.8.

1　完整的ARMv8整數和浮點算術指令 160 3.8.2　完整的ARMv8 SIMD指令 161 3.9　加速：子字並行和矩陣乘法 163 3.10　謬誤與陷阱 166 3.11　本章小結 168 3.12　歷史觀點與拓展閱讀 171 3.13　練習題 171 第4章　處理器 175 4.1　引言 175 4.1.1　一種基本的LEGv8實現 176 4.1.2　實現概述 176 4.2　邏輯設計的一般方法 178 4.3　建立資料通路 180 4.4　一種簡單的實現機制 187 4.4.1　ALU控制 187 4.4.2　主控制單元的設計 188 4.4.3　資料通路的操作 191 4.

4.4　完成控制單元 194 4.4.5　為什麼不使用單週期實現 195 4.5　流水線概述 197 4.5.1　面向流水線的指令集設計 200 4.5.2　流水線冒險 200 4.5.3　流水線概述小結 206 4.6　流水線資料通路及其控制 207 4.6.1　圖形化表示的流水線 215 4.6.2　流水線控制 218 4.7　數據冒險：旁路與阻塞 221 4.8　控制冒險 231 4.8.1　假定分支不發生 231 4.8.2　減少分支延遲 232 4.8.3　動態分支預測 234 4.8.4　流水線小結 236 4.9　異常 236 4.9.1　LEGv8體系結構中的異常處理 237

4.9.2　流水線實現中的異常 238 4.10　指令級並行 241 4.10.1　推測的概念 242 4.10.2　靜態多發射 243 4.10.3　動態多發射 246 4.10.4　動態流水線調度 247 4.10.5　能耗效率與高級流水線 249 4.11　實例：ARM Cortex-A53和Intel Core i7流水線 250 4.11.1　ARM Cortex-A53 251 4.11.2　Intel Core i7 920 253 4.11.3　Intel Core i7 920的性能 255 4.12　加速：指令級並行和矩陣乘法 256 4.13　高級主題：採用硬體設計語言描

述和建模流水線的數位設計技術以及更多流水線示例 258 4.14　謬誤與陷阱 258 4.15　本章小結 259 4.16　歷史觀點與拓展閱讀 260 4.17　練習題 260 第5章　大容量和高速度：開發記憶體層次結構 271 5.1　引言 271 5.2　記憶體技術 275 5.2.1　SRAM技術 275 5.2.2　DRAM技術 275 5.2.3　快閃記憶體 277 5.2.4　磁碟記憶體 277 5.3　cache的基本原理 279 5.3.1　cache訪問 280 5.3.2　cache缺失處理 285 5.3.3　寫操作處理 285 5.3.4　cache實例：Intrin

sity FastMATH處理器 287 5.3.5　小結 289 5.4　cache性能的評估和改進 289 5.4.1　通過更靈活的塊放置策略來減少cache缺失 292 5.4.2　在cache中查找塊 295 5.4.3　替換塊的選擇 296 5.4.4　使用多級cache減少缺失代價 297 5.4.5　通過分塊進行軟體優化 299 5.4.6　小結 303 5.5　可信記憶體層次結構 303 5.5.1　失效的定義 303 5.5.2　糾1檢2漢明碼（SEC/DED） 305 5.6　虛擬機器 308 5.6.1　虛擬機器監視器的要求 309 5.6.2　指令集體系結構（缺乏）對虛

擬機器的支援 309 5.6.3　保護和指令集體系結構 310 5.7　虛擬記憶體 310 5.7.1　頁的存放和查找 313 5.7.2　缺頁故障 315 5.7.3　用於大型虛擬位址的虛擬記憶體 316 5.7.4　關於寫 318 5.7.5　加快位址轉換：TLB 318 5.7.6　Intrinsity FastMATH TLB 319 5.7.7　集成虛擬記憶體、TLB和cache 322 5.7.8　虛擬記憶體中的保護 323 5.7.9　處理TLB缺失和缺頁 324 5.7.10　小結 326 5.8　記憶體層次結構的一般框架 328 5.8.1　問題1：塊放在何處 328 5.8

.2　問題2：如何找到塊 329 5.8.3　問題3：cache缺失時替換哪一塊 330 5.8.4　問題4：寫操作如何處理 330 5.8.5　3C：一種理解記憶體層次結構行為的直觀模型 331 5.9　使用有限狀態機控制簡單的cache 332 5.9.1　一個簡單的cache 333 5.9.2　有限狀態機 333 5.9.3　一個簡單cache控制器的有限狀態機 335 5.10　並行與記憶體層次結構：cache一致性 336 5.10.1　實現一致性的基本方案 337 5.10.2　監聽協議 337 5.11　並行與記憶體層次結構：廉價冗餘磁碟陣列 339 5.12　高級主題：實現c

ache控制器 339 5.13　實例：ARM Cortex-A53和Intel Core i7的記憶體層次結構 339 5.14　實例：ARMv8系統的剩餘部分以及特殊指令 343 5.15　加速：cache分塊和矩陣乘法 345 5.16　謬誤與陷阱 346 5.17　本章小結 349 5.18　歷史觀點與拓展閱讀 350 5.19　練習題 350 第6章　並行處理器：從用戶端到雲 362 6.1　引言 362 6.2　創建並行處理常式的難點 364 6.3　SISD、MIMD、SIMD、SPMD和向量 367 6.3.1　x86中的SIMD：多媒體擴展 368 6.3.2　向量 368

6.3.3　向量與標量 370 6.3.4　向量與多媒體擴展 370 6.4　硬體多執行緒 372 6.5　多核和其他共用記憶體多處理器 375 6.6　圖形處理單元 378 6.6.1　NVIDIA GPU體系結構簡介 379 6.6.2　NVIDIA GPU存儲結構 380 6.6.3　正確理解GPU 381 6.7　集群、倉儲式電腦和其他消息傳遞多處理器 383 6.8　多處理器網路拓撲簡介 386 6.9　與外界通信：集群網路 389 6.10　多處理器基準測試程式和性能模型 389 6.10.1　性能模型 391 6.10.2　Roof?line模型 392 6.10.3　兩代Op

teron的比較 393 6.11　實例：Intel Core i7 960和NVIDIA Tesla GPU的評測及Roof?line模型 396 6.12　加速：多處理器和矩陣乘法 399 6.13　謬誤與陷阱 402 6.14　本章小結 403 6.15　歷史觀點與拓展閱讀 405 6.16　練習題 405 附錄A　邏輯設計基礎 414 索引 470 網路內容 附錄B　圖形處理單元 附錄C　控制器的硬體實現 附錄D　RISC指令集體系結構 術語表 擴展閱讀

電腦硬件檢查進入發燒排行的影片

可攜式3D電腦繪圖處理之演算法研究及電路架構設計與實現

為了解決電腦硬件檢查的問題，作者鍾育杰 這樣論述：

在3D Graphics繪圖管線中，如何有效率的把primitive(三角形、線段、點)繪製出來，決定了GPU的效能表現. 對於以高解析度在移動裝置中的3-D圖形遊戲應用程序來說，具有能源效益的硬體是至關重要的及必要的。在我們的演算法，既沒有出現預裁剪過程，在做透視錐體轉換到一個立方體的正則視野空間時，在透視錐的平面也不做裁剪。相反，我們使用的頂點在視錐體積外面的Z分量對應有效2D均質區域的概念去投影出有效屏幕空間區域後，在視角端變換用簡單的深度測試和剪裁測試後呈現出基元的最後區域。本文開發了一種新的具有能源效益的圖元的剪裁光柵化。在整個過程中，沒有昂貴的裁剪作用被參與並且沒有多餘的剪裁衍生

的多邊形被產生出來。我們在光柵化提議的少量化剪輯架構，其處理每個基本圖元在8個週期並且其柵極計數的有效屏幕空間區域僅有20K。此外，吞吐量可以達到25百萬的三角形/秒。除此之外,我們更提出一個適合穿戴式裝置的Rasterizer。它有效率的集成了多種模塊的3-D渲染管線固定功能的加速。光柵化的核心包括兩個主要功能單元：一個幾何引擎和像素渲染引擎。具體而言，內部模塊是主處理子模塊，它們可劃分為6大流水線階段。在幾何引擎，第一級命令FIFO接收的作業從頂點調度和發送所需的控制信號從頂點緩衝器中給數據加載頂點作數據加載。頂點緩衝存儲頂點變換和光照（ T＆L）充填從頂點著色器核心產生的Varyings

。第二階段涉及線/點預處理，將分割線和點到基於行的大小和大小兩個三角形。第三階段可以分為兩個平行的處理部分，其一是該處理的視野端變換，其中該多邊形被抵消，以解決在Z-Fighting問題，另一種是Barycentric係數（頂點層級）或LOD計算的第1階段，用於支撐紋理Mip-Map和立方體貼圖級別的選擇。這四個階段也可以分為兩個平行的部分，一個是背面剔除光柵管道之前拒絕背面多邊形的過程, 較少切除的邊線方程式和利用邊界框找到的技巧是有關成本效益的設計考慮，另一種是重心係數（頂點層級）或LOD計算支持的紋理MIP映射和立方體貼圖級別選擇的第2階段。然後，該過程將輸入像素渲染引擎的階段。當原始類

型是一個點，它僅檢查哪裡與否這點/像素是在視圖的體積，然後將信息發送到一個未著色的像素緩衝器。點不需要計算Barycentric坐標。如果原始類型是一個三角形，有兩個階段：第一個涉及Tile Traversal和將使用一種特殊的Traversal演算法發送可用Tile到下一個階段。第二個階段是每個週期並行生成和像素級的Barycentric計算的4像素，它會檢測Tile中所有的像素,然後輸出有效像素。我們也提出了一個3-D圖形處理器單元的設計，它使用不同的空間的標準轉換給了少量化剪輯架構演算法的詳細推導，並給幾何圖表和公式，證明了少量化剪輯架構演算法。更進一步的，本文詳細的介紹了GPU的硬件體

系結構和提供內部功能的流程方塊圖;此外，本文介紹了整個系統的驗證環境以及硬體和軟體平台的協同仿真方法和驗證過程。最後，這篇論文還介紹了建議的GPU架構針對消費手持設備的3-D應用程序的設計方法。所提出的200-MHz的多核，多線程3-D圖形SoC架構。在消費者應用方面，也討論在架構上如何設計嵌入3-D圖形處理器到移動裝置內。在精心設計特定的圖形引擎之前，我們進行的移動3-D圖形處理器單元的系統設計開發的綜合分析。我們分析從OpenGLES2.0規範的移動三維圖形系統的關鍵效能技術。然後，我們提出了移動圖形處理器系統設計考慮能源效率的技術。此外，我們也提出了頻寬精簡的技術。最後，如何設計一個平穩

固定管線，以減輕不可預知的系統負載在本章中提出建議。為了提出一個具有成本效益和可擴展的3-D圖形光柵化單元，幾何引擎是一個四階段管線與優化的角度修正設計。在PE的設計考慮從幾何引擎到像素的渲染引擎，一方面設置硬件可以節省30x32bits空間用於平面方程的係數d的需要在EQCOEF SRAM中，另一方面Setup模塊上可以消除時間在原本計算的30個平面方程式的係數，多達90個週期的時間。所提出的架構，其處理所述瓦片遍歷對每個基元在9個週期之內，我們已經實現光柵化的全功能適用於OpenGLES2.0，包括抗鋸齒功能和分層-Z檢驗。該邏輯閘數目是230.45k加14.43kB SRAM使用TSMC

90nm製程1P9M@200MHZ，且吞吐量達到3M三角形/秒。這篇論文推薦採用共享邊緣覆蓋率近似梯形或三角形區域抗鋸齒，這個概念是從形態學抗鋸齒 Larrabee的MLAA算法採用的前景色和背景色在整個邊緣的像素混合在一起與所述第二顏色以補上的梯形或三角形區域作為顏色混合的重量，從而更有效地提高圖像的邊緣效應可實現的像素群。因此，本研究在屏幕空間建立了增強式邊緣分享的抗混疊之光柵化器，該算法使用兩個部分：計算在像素的左側和頂部邊緣子採樣位置，並執行重心坐標生成測試基於重心磁磚遍歷。在通過像素四邊和邊緣方程之間的相交檢查像素的右側及下側邊緣子採樣位置的有效覆蓋率的過程之後，下一步驟是計算顏色

混合權重在兩個子樣本位置（0〜F）的像素邊緣，且像素是通過重心的基於邊緣方程分為以形成兩個梯形或三角形的區域，然後可以計算出以重心邊緣為基礎所示的原邊和對立側的最終混合色。傳統的使用掃描線 - 基於邊緣方程式為基礎的三角形之瓷磚搜尋遍歷技術，可能會導致除法運算在硬體查表法導致潛在的繪製不穩定性。本文開發了一種高效能的光柵化演算法 - 一個重心為基礎的階梯開始瓷磚搜尋遍歷,且是免除法的演算法。在整個過程中，沒有多餘的瓷磚搜尋遍歷位置和上下文產生用於減少像素的測試次數，提高了圖形渲染的效率和穩定性。我們所提出建議的階梯開始瓷磚搜尋架構可以執行每次瓷磚搜尋測試在六個週期之內，並且在每個週期產生2個像

素。利用重心測試執行瓷磚內部遍歷，更易於硬體設計。提議的架構包括重心坐標像素生成。和階梯開始瓦遍歷僅為130K邏輯閘數目。此外，它也提供了一個217-MHz的3-D圖形重心基於光柵引擎在90奈米1P9M製程,晶片核心尺寸為1.741平方毫米的體系結構。此外，光柵引擎的吞吐量可以實現高達36.22M三角形/秒 和435M像素/秒。

深度卷積網絡：原理與實踐

為了解決電腦硬件檢查的問題，作者彭博 這樣論述：

本書正文內容可分3部分，共9章：綜述篇（第1，6，9章）。這三章不需要編程和數學基礎，如果讀者尚不熟悉技術，推薦優先閱讀，尤其是第1和第9章。它們分別介紹：深度學習的基本概念，AlphaGo的架構綜述，深度學習的問題和未來展望。深度卷積網絡篇（第2，3，4，5章）。這四章結合理論與實際代碼，由淺入深，從神經網絡，到卷積網絡，到深度卷積網絡，讓讀者掌握深度卷積網絡的基礎知識、實踐技巧和新發展，是本書的關鍵所在，值得仔細閱讀。實戰篇（第7，8章）。這兩章分別講述AlphaGo和GAN的訓練和應用細節，包括詳細的代碼分析。 彭博，人工智能、量化交易、區塊鏈領域的技術專家，有2

0年以上的研發經驗。在人工智能與信息科技方面，對深度學習、機器學習、 計算機圖形學、智能硬件等有較為深入的研究；在量化交易方面，曾在全球大的外匯對沖基金負責程序化交易，對市場的微觀和宏觀行為有較為深入的理解；在區塊 鏈方面，對智能合約、DApp開發和自動交易有較為深入的實踐。 前言 引子·神之一手1 第1章 走進深度學習的世界5 1.1 從人工智慧到深度學習5 1.2 深度神經網路的威力：以AlphaGo為例8 1.2.1 策略網路簡述9 1.2.2 泛化：看棋譜就能學會下圍棋11 1.2.3 擬合與過擬合11 1.2.4 深度神經網路的速度優勢12 1.3 深度神經網路

的應用大觀13 1.3.1 圖像分類問題的難度所在13 1.3.2 用深度神經網路理解圖像15 1.3.3 AlphaGo中的深度神經網路17 1.3.4 自動發現規律：從資料A到答案B17 1.3.5 深度神經網路的更多應用18 1.3.6 從分而治之，到端對端學習24 1.4 親自體驗深度神經網路25 1.4.1 TensorFlow遊樂場25 1.4.2 MNIST數位識別實例：LeNet-527 1.4.3 策略網路實例28 1.4.4 簡筆劃：Sketch-RNN29 1.4.5 用GAN生成動漫頭像30 1.5 深度神經網路的基本特點31 1.5.1 兩大助力：算力、數據31 1.

5.2 從特徵工程，到逐層抽象32 1.5.3 深度神經網路學會的是什麼35 1.6 人工智慧與神經網路的歷史36 1.6.1 人工智慧的兩大學派：邏輯與統計37 1.6.2 人工智慧與神經網路的現代編年史37 第2章 深度卷積網路：第一課42 2.1 神經元：運作和訓練43 2.1.1 運作：從實例說明43 2.1.2 訓練：梯度下降的思想44 2.1.3 訓練：梯度下降的公式46 2.1.4 訓練：找大小問題的初次嘗試48 2.1.5 訓練：Excel的實現 50 2.1.6 重要知識：批大小、mini-batch、epoch51 2.2 深度學習框架MXNet：安裝和使用51 2.2.

1 計算圖：動態與靜態52 2.2.2 安裝MXNet：準備工作53 2.2.3 在Windows下安裝MXNet54 2.2.4 在macOS下安裝MXNet：CPU版57 2.2.5 在macOS下安裝MXNet：GPU版58 2.2.6 在Linux下安裝MXNet59 2.2.7 安裝Jupyter演算本59 2.2.8 實例：在MXNet訓練神經元並體驗調參60 2.3 神經網路：運作和訓練63 2.3.1 運作：前向傳播，與非線性啟動的必要性63 2.3.2 運作：非線性啟動64 2.3.3 訓練：梯度的計算公式66 2.3.4 訓練：實例69 2.3.5 訓練：Excel的實現7

0 2.3.6 訓練：反向傳播71 2.3.7 重要知識：梯度消失，梯度爆炸72 2.3.8 從幾何觀點理解神經網路72 2.3.9 訓練：MXNet的實現73 第3章 深度卷積網路：第二課 77 3.1 重要理論知識77 3.1.1 數據：訓練集、驗證集、測試集77 3.1.2 訓練：典型過程79 3.1.3 有監督學習：回歸、分類、標籤、排序、Seq2Seq79 3.1.4 無監督學習：聚類、降維、自編碼、生成模型、推薦81 3.1.5 訓練的障礙：欠擬合、過擬合82 3.1.6 訓練的細節：局部極值點、鞍點、梯度下降演算法83 3.2 神經網路的正則化85 3.2.1 修改損失函數：L

2和L1正則化85 3.2.2 修改網路架構：Dropout正則化86 3.2.3 更多技巧：集合、多工學習、參數共用等86 3.2.4 資料增強與預處理88 3.3 神經網路的調參89 3.3.1 學習速率89 3.3.2 批大小90 3.3.3 初始化方法92 3.3.4 調參實戰：重返TensorFlow遊樂場93 3.4 實例：MNIST問題95 3.4.1 重要知識：SoftMax層、交叉熵損失96 3.4.2 訓練代碼與網路架構98 3.4.3 超越MNIST：最新的Fashion-MNIST資料集101 3.5 網路訓練的常見bug和檢查方法103 3.6 網路訓練性能的提高10

4 第4章 深度卷積網路：第三課106 4.1 卷積網路：從實例說明106 4.1.1 實例：找橘貓，最原始的方法107 4.1.2 實例：找橘貓，更好的方法108 4.1.3 實例：卷積和池化108 4.1.4 卷積網路的運作111 4.2 運作：AlphaGo眼中的棋盤112 4.2.1 棋盤的編碼113 4.2.2 最簡化的策略網路115 4.2.3 最簡化的策略網路：特徵層和卷積後的結果116 4.3 卷積神經網路：進一步瞭解122 4.3.1 卷積核、濾波器與參數量的計算122 4.3.2 運作和訓練的計算123 4.3.3 外襯與步長124 4.3.4 縮小圖像：池化與全域池化1

26 4.3.5 放大圖像：轉置卷積127 4.4 實例：用卷積網路解決MNIST問題128 4.4.1 網路架構的定義與參數量的計算129 4.4.2 訓練MNIST網路130 4.4.3 在MXNet運行訓練後的網路131 4.4.4 調參實例133 4.4.5 在Fashion-MNIST資料集的結果133 4.5 MXNet的使用技巧134 4.5.1 快速定義多個層134 4.5.2 網路的保存與讀取135 4.5.3 圖像資料的打包和載入135 4.5.4 深入MXNet訓練細節136 4.5.5 在流覽器和移動設備運行神經網路139 第5章 深度卷積網路：第四課141 5.1

經典的深度卷積網路架構142 5.1.1 深度學習革命的揭幕者：AlexNet142 5.1.2 常用架構：VGG系列145 5.1.3 去掉全連接層：DarkNet系列147 5.2 網路的視覺化：以AlexNet為例150 5.3 遷移學習：精調、預訓練等155 5.4 架構技巧：基本技巧157 5.4.1 感受野與縮小卷積核157 5.4.2 使用1×1卷積核158 5.4.3 批規範化160 5.4.4 實例：回顧Fashion-MNIST問題161 5.4.5 實例：訓練CIFAR-10模型164 5.5 架構技巧：殘差網路與通道組合169 5.5.1 殘差網路：ResNet的思想1

69 5.5.2 殘差網路：架構細節171 5.5.3 殘差網路：來自于集合的理解與隨機深度172 5.5.4 殘差網路：MXNet實現，以策略網路為例173 5.5.5 通道組合：Inception模組174 5.5.6 通道組合：XCeption架構，深度可分卷積177 5.5.7 實例：再次訓練CIFAR-10模型178 5.6 架構技巧：更多進展181 5.6.1 殘差網路進展：ResNext、Pyramid Net、DenseNet181 5.6.2 壓縮網路：SqueezeNet、MobileNet、ShuffleNet183 5.6.3 卷積核的變形188 5.7 物體檢測與圖像

分割189 5.7.1 YOLO v1：即時的物體檢測網路190 5.7.2 YOLO v2：更快、更強192 5.7.3 Faster R-CNN：準確的物體檢測網路194 5.7.4 Mask-RCNN：準確的圖像分割網路195 5.8 風格轉移197 第6章 AlphaGo架構綜述200 6.1 從AlphaGo到AlphaZero201 6.1.1 AlphaGo v13與AlphaGo v18201 6.1.2 AlphaGo Master與AlphaGoZero202 6.1.3 解決一切棋類：AlphaZero204 6.2 AlphaGo的對弈過程205 6.2.1 策略網路

205 6.2.2 來自人類的思路208 6.2.3 蒙特卡洛樹搜索與估值問題209 6.2.4 從快速走子估值到價值網路211 6.2.5 從搜尋樹看策略與價值網路的作用213 6.2.6 策略與價值網路的運作實例215 6.3 AlphaGo中的深度卷積網路架構217 6.4 AlphaGo的訓練過程219 6.4.1 原版AlphaGo：策略梯度方法219 6.4.2 新版AlphaGo：從蒙特卡洛樹搜索學習220 6.5 AlphaGo方法的推廣221 第7章 訓練策略網路與實戰224 7.1 訓練前的準備工作224 7.1.1 棋譜數據225 7.1.2 落子模擬226 7.1.3

終局判斷226 7.2 訓練代碼227 7.2.1 主程序：train.py227 7.2.2 訓練參數：config.py233 7.2.3 輔助函數：util.py234 7.2.4 棋盤隨機變換：symmetry.py235 7.2.5 訓練實例236 7.3 對弈實戰237 第8章 生成式對抗網路：GAN240 8.1 GAN的起源故事240 8.2 GAN的基本原理242 8.2.1 生成模型：從圖像到編碼，從編碼到圖像242 8.2.2 GAN的基本效果243 8.2.3 GAN的訓練方法246 8.3 實例：DCGAN及訓練過程248 8.3.1 網路架構248 8.3.2

訓練代碼249 8.4 GAN的更多架構和應用255 8.4.1 圖像轉移：CycleGAN系列255 8.4.2 生成高解析度圖像：nVidia的改進260 8.4.3 自動提取資訊：InfoGAN261 8.4.4 更多應用264 8.5 更多的生成模型方法266 8.5.1 自編碼器：從AE到VAE266 8.5.2 逐點生成：PixelRNN和PixelCNN系列267 8.5.3 將VAE和GAN結合：CVAE-GAN268 第9章 通向智能之秘272 9.1 電腦視覺的難度272 9.2 對抗樣本，與深度網路的特點276 9.3 人工智慧的挑戰與機遇278 9.3.1 棋類遊戲中

的電腦陷阱278 9.3.2 偏見、過濾氣泡與道德困境280 9.3.3 語言的迷局283 9.3.4 強化學習、機器人與目標函數286 9.3.5 創造力、審美與意識之謎290 9.3.6 預測學習：機器學習的前沿293 9.4 深度學習的理論發展295 9.4.1 超越反向傳播：預測梯度與生物模型295 9.4.2 超越神經網路：Capsule與gcForest297 9.4.3 泛化問題300 9.5 深度學習與人工智慧的展望304 9.5.1 工程層面304 9.5.2 理論層面304 9.5.3 應用層面305 跋 人工智慧與我們的未來306 附錄 深度學習與AI的網路資源310

微生物轉換Dihydroisosteviol

為了解決電腦硬件檢查的問題，作者陳晉暘 這樣論述：

微生物轉換用於各種化合物的構造修飾是由於微生物細胞中存在的酵素活性可當作生物催化劑。為了得到經由傳統化學方法難以反應的位置之化合物，微生物轉換已為製備化合物的另一種工具。Dihydroisosteviol （三）屬於四環二萜化合物，具有貝殼beyerane骨架，可由選擇 isosteviol （2 ）與硼氫化鈉進行還原反應獲得。根據之前研究，2具有許多生物活性，而三也具有降血壓作用，因此為了獲得更多的四環二萜化合物，以進行新的生物活性開發，繼續選擇3為受質進行微生物轉換的研究。延續之前的菌種篩選結果，本次研究選出犁頭pseudocylindrospora ATCC 24169 ， ATCC

10137灰色鏈黴菌，毛黴recurvatus議員36及黑曲霉巴塞爾公約區域中心31130進行微生物轉換。研究發現受質3經由與防抱死制動系統。 pseudocylindrospora培養得到耳鼻喉科- 16beta ,17 -二羥基-拜爾- 9（ 11）恩- 19 -烏蘇酸（ 4），耳鼻喉科， 12beta ,17 -二羥基- 16 - ketobeyeran - 19 -烏蘇酸（ 5），耳鼻喉科， 9alpha ， 16beta ,17 -三羥基beyeran - 19 -烏蘇酸（ 6），以及貝殼7alpha ， 16eta ,17 - trihydroxybeyeran - 19 -烏蘇酸

（7）;經由與南產白沙培養得到7 ，耳鼻喉科， 12alpha ， 17 -二羥基- 16 - ketobeyeran - 19 -烏蘇酸（ 8） ，耳鼻喉科， 12alpha ， 16beta - dihydroxybeyeran - 19 -烏蘇酸（ 9），以及耳鼻喉科- 16beta ,17 - dihydroxybeyeran - 19 -烏蘇酸（ 10）;經由與米recurvatus培養得到貝殼7alpha -羥基- 16 - ketobeyeran - 19 -烏蘇酸（ 11） ，耳鼻喉科， 12alpha ， 15alpha -二羥基- 16 - ketobeyeran - 19

-烏蘇酸（ 12） ，耳鼻喉科， 7alpha ， 15alpha -二羥基- 16 - ketobeyeran - 19 -烏蘇酸（ 13） ，耳鼻喉科， 11alpha ， 15alpha -二羥基- 16 - ketobeyeran - 19 -烏蘇酸（ 14）和耳鼻喉科-1β ， 16beta - hydroxybeyeran - 19 -烏蘇酸（ 15）;經由與天冬氨酸。黑曲霉培養得到耳鼻喉科- 16beta -羥基- 7alpha - O型methyloxalyl - beyeran - 19 -烏蘇酸（ 16） ，耳鼻喉科， 7alpha -羥基- 16beta - O型met

hyloxalyl - beyeran - 19 -烏蘇酸（ 17），以及貝殼7alpha ， 16beta -二羥基- beyeran - 19 -烏蘇酸（ 18）。其中， 4,6,7,9及14 - 17為新化合物，所得之新化合物均經一維，二維核磁共振光譜及高解析質譜鑑定其結構，化合物4和9日則進一步經由X光單晶繞射分析確定結構。此外，分離所得的化合物之生物活性試驗，目前正在進行中。