電腦記憶體不足的問題，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

全格局使用PyTorch - 深度學習和圖神經網路 - 基礎篇

為了解決電腦記憶體不足的問題，作者李金洪 這樣論述：

　　深度學習擅長處理結構規則的多維資料（歐氏空間），但現實生活中，很多不規則的資料如：社群、電子商務、交通領域，多是之間的關聯資料。彼此間以龐大的節點基礎與複雜的互動關係形成了特有的圖結構（或稱拓撲結構資料），這些資料稱為「非歐氏空間資料」，並不適合用深度學習的模型去分析。   　　圖神經網路（Graph Neural Networks, GNN）是為了處理結構不規則資料而產生的，主要利用圖結構的資料，透過機器學習的方法進行擬合、預測等。   　　〇 在結構化場景中，GNN 被廣泛應用在社群網站、推薦系統、物理系統、化學分子預測、知識圖譜等領域。 　　〇 在非結構化領域，GNN 可以用在圖

型和文字等領域。 　　〇 在其他領域，還有圖生成模型和使用 GNN 來解決組合最佳化問題的場景。   　　市面上充滿 NN 的書，但卻沒有一本完整說明 GNN，倘若不快點學這個新一代的神經網路，你會用的普通神經網路馬上就會落伍了！非歐氏空間才是最貼近人類生活的世界，而要真正掌握非歐氏空間的問題解決，GNN 是你一定要學的技術，就由本書一步步帶領你完全攻略！   　　〇 使用 Graph 概念取代傳統的歐氏空間神經元 　　〇 最好用的 PyTorch + Anaconda + Jupyter 　　〇 從基礎的 CNN、RNN、GAN 開始上手神經網路 　　〇 了解基礎的啟動函數、損失函數、L1/

L2、交叉熵、Softmax 等概念 　　〇 NLP 使用神經網路處理 + 多頭注意力機制 　　〇 Few-shot/Zero-shot 的神經網路設計 　　〇 空間域的使用，使用 DGL、Networkx 　　〇 利用 GNN 進行論文分類   本書特色   　　～GNN 最強入門參考書～ 　　● 以初學者角度從零開始講解，消除讀者學習過程跳躍感 　　● 理論和程式結合，便於讀者學以致用 　　● 知識系統，逐層遞進 　　● 內容貼近技術趨勢 　　● 圖文結合，化繁為簡 　　● 在基礎原理之上，注重通用規律 　

電腦記憶體不足進入發燒排行的影片

路徑相依型選擇權定價與其數值評價方法之探討

為了解決電腦記憶體不足的問題，作者林明瑩 這樣論述：

近年來，由於金融市場的變化快速，交易所中標準化的選擇權契約已經無法滿足投資人，非標準化的選擇權-新奇選擇權（exotic option），其特殊的選擇權契約更能符合市場避險、投資者的需求，而受到市場上的歡迎。目前許多針對風險管理的創新型金融衍生性商品已經被陸續發展，以滿足投資人的特殊需求。新奇選擇權之一的路徑相依型選擇權交易在全球OTC市場也越來越普及，並且逐漸成長。台灣的衍生性金融商品市場一直在開拓，新奇選擇權契約發展極為快速，國內第一個推出的重設型選擇權，就是路徑相依型選擇權的一種，即為大華證券在1998年所推出的大華04，而重設型選擇權即為路徑相依型選擇權的一種，在過去一年來，新的衍生

性金融商品不斷推陳出新，因此台灣在衍生性金融商品的需求很大，我們必須不斷追求金融創新，才能在金融市場保持競爭優勢，也才能創造利潤。面對國內即將開放選擇權市場，如何正確並有效率的評價新奇選擇權已是當務之急。新奇選擇權中，定價較為困難即為路徑相依型選擇權（path dependent option）。本文針對路徑相依型選擇權中的商品契約，建議一個極具效率的路徑相依型選擇權評價方法，稱作動態二元樹法，此評價方法建構在風險中立定價的理論基礎上。此評價方法是利用常被用來評價選擇權的二項樹評價法，進而發展動態二元樹法，能對路徑相依型選擇權做出正確且有效率的定價。。動態二元樹法將可以輕易的解決路徑相依型選擇

權的定價問題，它適合應用於路徑依型選擇權評價上，並且可以針對不同的路徑相依型選擇權定價，更可以解決更複雜的路徑相依型選擇權。只需要研究不同路徑相依型選擇權其路徑相依的特性，研究股價與執行價的關係，當產生路徑資訊及標的物現價相同且重複的節點時，發現這些節點未來長出的子股價樹也會是相同的，因此不須重複記載股價路徑，浪費電腦記憶體。在每一期檢查是否有路徑資訊及標的物現價相同的節點，若是有予以合併，以達到減少節點增加速度，增加電腦運算效率性，若產生不同路徑資訊的解點，則予以保留，以達到動態縮減節點的目的，故稱為動態二元樹法。本論文以三種不同的路徑相依型選擇權契約來進行實證研究，分別為範圍選擇權、棘輪選

擇權以及α_百分比選擇權。由實證研究可發現動態二元樹法可以快速縮減範圍選擇權及棘輪選擇權的節點數目，且其理論價格與binomial tree model 所計算出的理論價格價值一樣正確。動態二元樹法減少節點數目成長速度，使其節點成長的速度與binomial lattice model節點成長速度較為相近，binomial lattice model節點成長的速度是呈現線性的，而binomial tree model節點生長的速度擇則是呈現指數成長，因此動態二元樹法可以減少許多運算的複雜度，提高定價的效率性。對於α_百分比選擇權而言，雖然縮減了節點的數目，但縮減速度不夠快，而使得電腦無法處理(因

電腦記憶體不足)，此歸因於α_百分比選擇權屬於一種強勢路徑相依型選擇權，在處理強勢路徑相依型選擇權的評價問題時，可考慮精簡須儲存的路徑資訊，來達到縮減節點數目成長速度的目的。雖然本文以三種路徑相依型選擇權契約來展示動態二元樹法的效率，但動態二元樹法可以輕易的應用在回顧型、障礙型、重設型、棘輪型、階梯型選擇權以及範圍選擇權等大部分路徑相依型選擇權。

今晚來點Web前端效能優化大補帖：一次搞定指標×工具×技巧，打造超高速網站(iThome鐵人賽系列書)

為了解決電腦記憶體不足的問題，作者莫力全KyleMo 這樣論述：

針對「前端效能優化」技巧最全面的中文書籍！   精通前端基礎和優化技術，為你打造高效能網站！   　　本書內容改編自第 13 屆 2021 iThome 鐵人賽，Modern Web 組冠軍網路系列文章──《今晚，我想來點 Web 前端效能優化大補帖！》。本書彙整了網頁前端應用效能優化的各種技巧，並以此為出發點，延伸至許多前端領域必備的知識。搭配簡易圖文和範例檔實作，讓你打造高效能的前端應用，解決網站效能痛點，提升速度與使用者體驗，增加網站曝光率與流量！   　　四大重點   　　▍小細節讓效能UP 　　除了依賴指標，還要從對的地方著手！   　　▍前端開發必備心法 　　用對優化工具和技術

，提升效能&使用者體驗。   　　▍深入技術原理 　　介紹前端技術原理，精通前端應用知識。   　　▍提供完整範例檔 　　跟著實作範例學習，強化前端優化技能！   　　精彩內容   　　●認識 Core Web Vitals、RAIL Model、Lighthouse 等指標和效能監測工具，找出效能不足的地方。   　　●建立前端必備知識：瀏覽器架構與渲染流程、網路與快取、JavaScript 記憶體管理機制，並學習正確的圖片資源、檔案壓縮與打包技術。   　　●在不同情境下使用正確的優化技術：Code Splitting、動態載入、Tree Shaking、模組化技巧、Web Wor

kers 與 WebAssembly。   　　●使用 DevTool 檢測網站效能、實作 Debounce 與 Throttle，達到網站節流。   　　目標讀者 　 　　✦想要了解各種效能優化技巧的前端開發者 　　✦想要更理解前端開發底層知識的開發者 　　✦想了解前端開發近期發展與未來趨勢的讀者   專業推薦   　　「不論是剛入門的工程師或者資深工程師，都可以在這本書得到不同階段的啟發並且應用在實戰當中。」──── Verybuy Fashion 資深前端技術總監│Bingo Yang   　　「作者將業界所交流的各式各樣經驗，在這本書中一次性地統整起來，不僅僅只是教你效能優化的技巧，甚

至帶著你從歷史淵源、使用者面向、網路傳輸、渲染機制等不同角度來看效能。」──── 適才科技技術長 & Web 實驗室社群發起人│KK   　　「前端領域的發展十分迅速，很難得有作者用心將這些知識整理成書，帶領讀者從發現問題開始，了解背後原因與需求、實作練習，以及在每章節附上延伸學習的資源。」──── Design engineer@PicCollage│Lichin   　　「這本書深入淺出說明效能優化的各道題目，篇篇精彩有趣。除了從遠古到現今的技術解析和優劣比較，並且圖文並茂、附上實戰實例，讀起來讓人欲罷不能。」────《 打造高速網站從網站指標開始 》、技術部落格「Summer。桑

莫。夏天」作者│Summer