SSD 70度的問題，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

〔101個必考重點，帶你一次考上〕 計算機概論(含網路概論)重點整理+試題演練〔經濟部所屬事業-台電/中油/中鋼/中華電信/捷運〕

為了解決SSD 70度的問題，作者哥爾 這樣論述：

　　「計算機概論」這一科可說是沒什麼範圍可言，只要與「計算機」沾上邊的相關議題，都是屬於計算機概論的範圍，但到底哪一些才是重點中的重點！如果你內心常有這樣的疑惑，那麼你需要這本書陪你一起在考場奮戰！ 　　這本書是依照及高考、普考及經濟部命題大綱編寫，適用各類國民營及高普特考，依照大綱編排架構後，挑選重要的單元編寫成冊，各個章節再分別列出在其之下的各個小單元，並收錄常考試題，將高考、普考、國民營、銀行試題分類到各個小單元，每一題都有考點解讀，而冷門試題就不收錄。這本書有以下特色： 　　◎101個必點重點＋逐題考點解讀＝考前衝刺必備 　　書中重點速記讓你迅速掌握關鍵考點，並

透過表格或圖片加以統整，避免瑣碎的文字敘述讓你暈頭轉向，就是要讓你輕鬆閱讀，有效加強記憶。這本書只收錄重點中的重點。 　　◎國民營971題大集合，掌握解題Key Word，帶你一起解題 　　各個重點都有附上精選歷屆試題，讓你在閱讀完每個重點章節後，可以檢視自己的學習成效，透過大量的試題練習來驗收學習成果，你只要手拿著原子筆和2B鉛筆，手起筆落、一題一題將國民營試題逐題演練，題目寫錯了，沒關係，看看考點解讀加強觀念。到了考場相信不管題目怎麼出，你都能輕鬆破題！ 　　★計算機概論搶分攻略★ 　　因計算機概論橫跨資工及資管之領域，導致該科範圍過於龐大，可說是無所不包，但是今天我們不是要做學問，我

們要考試，而考試就是要拿分數。只要是考試，就一定會有命題的規範和準則，雖然計算機領域一眼望不完，但建議你還是可以從命題大綱及各類考古題找到蛛絲馬跡（命題大綱都可以Google到）。 　　計算機概論如果以類別來區分，可分為五大類，數字與邏輯，計算機硬體，計算機軟體，計算機網路，計算機程式，上述這五大類別建構了整個計算機領域的典範，筆者分析主要的出題方向後，再將其細分為以下類別： 　　★數字系統 　　包含禁制轉換、補數系統，補數溢位、浮點數表示法，其他數碼表示法，都是很常命題的題型。 　　★數位邏輯 　　囊括了基本邏輯閘，布林代數化簡和組合電路、組合電路僅會出半加器，全加器、半減器、全減器。

　　★計算機硬體 　　這邊會考電腦五大單元，是基本的考題。CPU、其中CPU裡面又有暫存器和快取記憶體，儲存方面包含了主記憶體，輔助儲存體都是往年出題的方向。I/O也不能忽視，近年也喜歡出類似USB的新型考題。 　　★作業系統 　　包含作業系統的責任、作業模式，作業系統分類，系統程式與應用程式的區別，行程管理，行程排班、記憶體管理與I/O管理。 　　★電腦網路 　　出自OSI七層應用層，表達層、會議層、傳輸層、網路層，資料鏈結層、實體層，也會考OSI與TCP/IP模型對應。 　　★網路安全 　　針對網路安全三大要素往外延伸，機密性、完整性，可用性，機密性考隊稱加密與非對稱加密，完整性

考數位簽章，可用性考防止DOS攻擊與DDOS攻擊。 　　★程式語言 　　會先針對低階與高階語言分類，各語言特性，程式語言如何翻譯，組譯器、直譯器、或編譯器，物件導向程式語言與三大特性。 　　★資料結構 　　考題為搜尋與排序，把各種排序演算法熟記，就能拿分。

SSD 70度進入發燒排行的影片

智能影像運輸系統於輔助、維護與監控應用

為了解決SSD 70度的問題，作者呂安豐 這樣論述：

人工智慧的進步以更精密的方式迅速改變了交通系統。智慧交通系統結合行人、道路及車輛相關資訊，以提供更高的安全性、效率和舒適性。智慧交通系統中的每個元素相互牽制並都應被保留及作後續的改善。電腦視覺的最新進展在許多方面豐富了機器感知的能力。因此，本研究旨在提出一種基於智能視覺的方法，以加強智慧交通系統在協助、維護和監控方面的效果。在輔助方面，本研究著重於駕駛睡意偵測系統和交通場景分割，提出基於深度學習的即時駕駛睡意偵測系統，試圖提高極端場景下的睡意檢測品質。在交通場景分割中，利用了邊緣和特徵級別過濾方式，以達到更好的切割效果。此外，本論文提出基於知識轉移的方法來生成一個強大且有效的模型。在維護方面

，本論文提出經改良的道路裂紋檢測方法，著重於裂紋細化和具自動資源映射的高效檢測器。最後，監控方面基於視訊濃縮，能夠生成短、密集且緊湊的視頻。整體而言，上述六項成果在智慧交通系統的進步方面皆具有巨大的潛力，與文獻裏現有方法相比，本論文所提出的方法在各項指標上皆有突出的表現。

深入淺出PyTorch：從模型到源碼

為了解決SSD 70度的問題，作者張校捷 這樣論述：

本書從機器學習和深度學習的基礎概念入手，由淺到深地詳細介紹了PyTorch深度學習框架的知識，主要包含深度學習的基礎知識，如神經網路的優化演算法、 神經網路的模組等；同時也包含了深度學習的進階知識，如使用 PyTorch構建複雜的深度學習模型，以及前沿的深度學習模型的介紹等。另外，為了加深讀者對 PyTorch深度學習框架的理解和掌握，本書還介紹了PyTorch的原始程式碼結構，包括該框架的Python語言前端和C++語言後端的原始程式碼結構。 作為一本面向初中級讀者的技術類圖書，本書既可以作為深度學習框架 PyTorch 入門的參考書籍，也可以作為PyTorch深度學習框架的結構和原始程式

碼的閱讀指南使用。   張校捷，英偉達（NVIDIA）資深深度學習架構工程師，負責基於CUDA的深度學習框架的優化。目前主要使用的技術棧是作為深度學習框架後端的 C/C++/CUDA，以及深度學習框架前端的Python，對主流的深度學習框架如PyTorch和TensorFlow比較熟悉，並精通其在電腦視 覺（CV）和自然語言處理（NLP）方面的具體應用。作者多次作為專題演講嘉賓，受邀參加CSDN主辦的技術大會。 第1章 深度學習概念簡介 1 1．1 深度學習的歷史 1 1．1．1 深度學習的發展過程 1 1．1．2 深度學習在電腦視覺領域的發展 3 1．

1．3 深度學習在自然語言處理和其他領域的發展 6 1．2 機器學習基本概念 7 1．2．1 機器學習的主要任務 8 1．2．2 機器模型的類型 9 1．2．3 損失函數以及模型的擬合 11 1．3 深度學習基本概念 14 1．3．1 向量、矩陣和張量及其運算 15 1．3．2 張量的存儲 19 1．3．3 神經元的概念 19 1．4 輸入資料的表示方式 20 1．4．1 圖像資料的表示方式 20 1．4．2 文本資料的表示方式 22 1．4．3 音訊資料的表示方式 23 1．5 線性變換和啟動函數 26 1．5．1 全連接線性變換 26 1．5．2 卷積線性變換 28 1．5．3 啟動函數

29 1．6 鏈式求導法則和反向傳播 32 1．6．1 基於鏈式求導的梯度計算 32 1．6．2 啟動函數的導數 34 1．6．3 數值梯度 36 1．7 損失函數和優化器 37 1．7．1 常用的損失函數 37 1．7．2 基於梯度的優化器 38 1．7．3 學習率衰減和權重衰減 42 1．8 本章總結 43 第2章 PyTorch深度學習框架簡介 44 2．1 深度學習框架簡介 44 2．1．1 深度學習框架中的張量 44 2．1．2 深度學習框架中的計算圖 45 2．1．3 深度學習框架中的自動求導和反向傳播 46 2．2 PyTorch框架歷史和特性更迭 47 2．3 PyTorch

的安裝過程 49 2．4 PyTorch包的結構 52 2．4．1 PyTorch的主要模組 52 2．4．2 PyTorch的輔助工具模組 57 2．5 PyTorch中張量的創建和維度的操作 59 2．5．1 張量的資料類型 59 2．5．2 張量的創建方式 61 2．5．3 張量的存放裝置 65 2．5．4 和張量維度相關的方法 66 2．5．5 張量的索引和切片 69 2．6 PyTorch中張量的運算 70 2．6．1 涉及單個張量的函數運算 70 2．6．2 涉及多個張量的函數運算 72 2．6．3 張量的極值和排序 73 2．6．4 矩陣的乘法和張量的縮並 75 2．6．5 張量

的拼接和分割 77 2．6．6 張量維度的擴增和壓縮 79 2．6．7 張量的廣播 80 2．7 PyTorch中的模組簡介 82 2．7．1 PyTorch中的模組類 82 2．7．2 基於模組類的簡單線性回歸類 82 2．7．3 線性回歸類的產生實體和方法調用 84 2．8 PyTorch的計算圖和自動求導機制 87 2．8．1 自動求導機制簡介 87 2．8．2 自動求導機制實例 88 2．8．3 梯度函數的使用 89 2．8．4 計算圖生成的控制 89 2．9 PyTorch的損失函數和優化器 90 2．9．1 損失函數 90 2．9．2 優化器 92 2．10 PyTorch中資料的

輸入和預處理 96 2．10．1 數據載入類 96 2．10．2 映射類型的資料集 97 2．10．3 torchvision工具包的使用 97 2．10．4 可反覆運算類型的資料集 100 2．11 PyTorch模型的保存和載入 101 2．11．1 模組和張量的序列化及反序列化 101 2．11．2 模組狀態字典的保存和載入 104 2．12 PyTorch數據的視覺化 105 2．12．1 TensorBoard的安裝和使用 105 2．12．2 TensorBoard常用的視覺化資料類型 108 2．13 PyTorch模型的並行化 110 2．13．1 PyTorch的資料並行化

111 2．13．1 PyTorch的分散式資料並行化 112 2．14 本章總結 116 第3章 PyTorch電腦視覺模組 119 3．1 電腦視覺基本概念 119 3．1．1 電腦視覺任務簡介 119 3．1．2 基礎圖像變換操作 120 3．1．3 圖像特徵提取 123 3．1．4 濾波器的概念 125 3．2 線性層 126 3．3 卷積層 128 3．4 歸一化層 137 3．5 池化層 144 3．6 丟棄層 149 3．7 模組的組合 151 3．8 特徵提取 153 3．9 模型初始化 157 3．10 常見模型結構 160 3．10．1 InceptionNet的結構 1

61 3．10．2 ResNet的結構 164 3．11 本章總結 167 第4章 PyTorch機器視覺案例 169 4．1 常見電腦視覺任務和資料集 169 4．1．1 圖像分類任務簡介 169 4．1．2 目標檢測任務簡介 170 4．1．3 圖像分割任務簡介 171 4．1．4 圖像生成任務簡介 172 4．1．5 常用深度學習公開資料集 173 4．2 手寫數位識別：LeNet 176 4．2．1 深度學習工程的結構 176 4．2．2 MNIST資料集的準備 177 4．2．3 LeNet網路的搭建 179 4．2．4 LeNet網路的訓練和測試 182 4．2．5 超參數的修改

和argparse庫的使用 185 4．3 圖像分類：ResNet和InceptionNet 187 4．3．1 ImageNet資料集的使用 187 4．3．2 ResNet網路的搭建 189 4．3．3 InceptionNet網路的搭建 194 4．4 目標檢測：SSD 204 4．4．1 SSD的骨架網路結構 204 4．4．2 SSD的特徵提取網路結構 205 4．4．3 錨點框和選框預測 210 4．4．4 輸入資料的預處理 214 4．4．5 損失函數的計算 216 4．4．6 模型的預測和非極大抑制演算法 218 4．5 圖像分割：FCN和U-Net 219 4．5．1 FCN

網路結構 220 4．5．2 U-Net網路結構 225 4．6 圖像風格遷移 229 4．6．1 圖像風格遷移演算法介紹 229 4．6．2 輸入圖像的特徵提取 231 4．6．3 輸入圖像的優化 234 4．7 生成模型：VAE和GAN 236 4．7．1 變分自編碼器介紹 237 4．7．2 變分自編碼器的實現 239 4．7．3 生成對抗網路介紹 242 4．7．4 生成對抗網路的實現 244 4．8 本章總結 249 第5章 PyTorch自然語言處理模組 251 5．1 自然語言處理基本概念 251 5．1．1 機器翻譯相關的自然語言處理研究 251 5．1．2 其他領域的自然語

言處理研究 253 5．1．3 自然語言處理中特徵提取的預處理 254 5．1．4 自然語言處理中詞頻特徵的計算方法 256 5．1．5 自然語言處理中TF-IDF特徵的計算方法 258 5．2 詞嵌入層 261 5．3 迴圈神經網路層：GRU和LSTM 267 5．3．1 簡單迴圈神經網路 267 5．3．2 長短時記憶網路（LSTM） 269 5．3．3 門控迴圈單元（GRU） 272 5．4 注意力機制 280 5．5 自注意力機制 284 5．5．1 迴圈神經網路的問題 284 5．5．2 自注意力機制的基礎結構 285 5．5．3 使用自注意力機制來構建Seq2Seq模型 288 5

．5．4 PyTorch中自注意力機制的模組 290 5．5．5 Pytorch中的Transformer模組 292 5．6 本章總結 293 第6章 PyTorch自然語言處理案例 295 6．1 word2vec演算法訓練詞向量 295 6．1．1 單詞表的創建 295 6．1．2 word2vec演算法的實現 299 6．1．3 word2vec演算法的特性 301 6．2 基於迴圈神經網路的情感分析 302 6．3 基於迴圈神經網路的語言模型 305 6．3．1 語言模型簡介 305 6．3．2 語言模型的代碼 308 6．4 Seq2Seq模型及其應用 311 6．4．1 Seq

2Seq模型的結構 311 6．4．2 Seq2Seq模型編碼器的代碼 312 6．4．3 Seq2Seq模型注意力機制的代碼 315 6．4．4 Seq2Seq模型解碼器的代碼 317 6．5 BERT模型及其應用 321 6．5．1 BERT模型的結構 321 6．5．2 BERT模型的訓練方法 325 6．5．3 BERT模型的微調 327 6．6 本章總結 329 第7章 其他重要模型 330 7．1 基於寬深模型的推薦系統 330 7．1．1 推薦系統介紹 330 7．1．2 寬深模型介紹 331 7．2 DeepSpeech模型和CTC損失函數 335 7．2．1 語音辨識模型介

紹 335 7．2．2 CTC損失函數 337 7．3 使用Tacotron和WaveNet進行語音合成 342 7．3．1 Tacotron模型中基於Seq2Seq的梅爾篩檢程式特徵合成 343 7．3．2 Tacotron模型的代碼 344 7．3．3 WaveNet模型介紹 352 7．3．4 因果卷積模組介紹 355 7．3．5 因果卷積模組的代碼 357 7．3．6 WaveNet模型的代碼 358 7．4 基於DQN的強化學習演算法 360 7．4．1 強化學習的基礎概念 361 7．4．2 強化學習的環境 362 7．4．3 DQN模型的原理 363 7．4．4 DQN模型及其訓

練過程 365 7．5 使用半精度浮點數訓練模型 369 7．5．1 半精度浮點數的介紹 370 7．5．2 半精度模型的訓練 371 7．5．3 apex擴展包的使用 372 7．6 本章總結 373 第8章 PyTorch高級應用 375 8．1 PyTorch自訂啟動函數和梯度 375 8．2 在PyTorch中編寫擴展 377 8．3 正向傳播和反向傳播的鉤子 385 8．4 PyTorch的靜態計算圖 388 8．5 靜態計算圖模型的保存和使用 393 8．6 本章總結 396 第9章 PyTorch原始程式碼解析 397 9．1 ATen張量計算庫簡介 397 9．2 C++的

Python介面 400 9．3 csrc模組簡介 404 9．4 autograd和自動求導機制 407 9．5 C10張量計算庫簡介 408 9．6 本章總結 409 參考文獻 410

基於非揮發性記憶儲存系統壽命提升之高效能 索引管理策略

為了解決SSD 70度的問題，作者唐 吉 這樣論述：

近年來非揮發性記憶體已逐漸成熟，而其良好的特性（如：高儲存密度、低靜態功耗等）為大數據儲存系統開闢了新的可能性。然而，非揮發性記憶體的耐久度與傳統記憶體相比十分有限，甚至持續惡化，因此利用磨損平衡技術來增加非揮發性記憶體的壽命已成為非揮發性存儲系統設計中的一個主要問題。更糟的是，由於嵌入式系統的資料管理系統通常使用索引方案來維護小數據，這使得非揮發性記憶體的耐久度問題更加嚴重；也就是說非揮發性記憶體的壽命在嵌入式系統中很快就會耗盡。因此，許多先前的文獻著重於重新思考基於非揮發性記憶體的系統上的索引和資料管理方案。而先前多數的研究主要集中在減少記憶體和儲存裝置中的寫入次數及降低寫入放大問題。不

幸的是，僅考慮寫入次數並無法有效延長非揮發性記憶體的使用壽命，因為這樣的解決方案無法在設備中均勻分配寫入流量。基於這樣的觀察，本研究為非揮發性記憶體和固態硬碟系統提出了兩種替代索引方案，分別為waB+tree 以及waLSM-tree。其中waB+tree 的設計考慮了B+-tree 結構內每個節點的更新頻率，從而將寫入流量均勻地分散到非揮發性記憶體的單元中。另一方面，waLSM 則考慮LSM 樹中的每個級別之間的不同數據溫度，進而在整個固態硬碟中均勻擦除所有塊。根據我們的實驗結果，本研究所提出的索引方案可有效提升裝置的耐久度，進而延長裝置的壽命