Seed 測速的問題，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

以粒子影像測速法量測水躍後之波動以及紊流強度消散之現象

為了解決Seed 測速的問題，作者周書玄 這樣論述：

水躍是在明渠中經常觀察到的現象，當流體在上游處高速的超臨界流進入到較低速度的亞臨界流區域時，就會形成水躍。Chandrashekar et al. (2019)提到使用淺水波方程式進行模擬會因忽略垂直剪應力而失去流體中該有的波動細節，並透過改良之淺水波方程式，有效模擬出流體中平均深度之波動現象。故本研究利用粒子影像測速法量測水躍後內部之波動及觀察紊流消散之現象，並比對兩者之相關性。由於水躍流場常夾帶著大量氣泡，有礙於量測之精確度，故本次研究選取低福祿數水躍來進行量測。並針對兩組弱水躍(Fr=2.24、2.43)及一組震盪水躍(Fr=2.86)以及兩種不同位置的雷射切面、兩種影像處理之實驗條件

，在穩定水循環系統下進行實驗。由於在PIV分析中，任意的限制速度場範圍，僅能剔除過大之異常值，並不適用在流場中速度較小之區域。本研究嘗利用水躍紊流場之特性，訂定速度場方向及大小之限制，使量測之實驗值有更好的精確度。透過震盪水躍的實驗中發現，在水躍後上層之紊流強度，隨著距離的變化強度呈現出波浪型的遞減，這與使用速度場限制時的數據損失率之高低相當吻合，可推測該波形位置可能與水躍內部流場之渦流有關。另外，也與Chandrashekar et al. (2019)紊流波動之模擬與實驗分析有相同的趨勢。本研究主要為修正粒子影像測速法中之速度場限制獲取更可靠且準確的數據，並量測水躍後之內部流場結構，以供研

究參考。

以機器學習強化棋類遊戲

為了解決Seed 測速的問題，作者林璟農 這樣論述：

當電腦程式 AlphaGo 擊敗人類專家棋士，深度學習成為一個熱門的研究題目。在深度學習運用於棋類遊戲上，仍然存在許多有趣的挑戰。因為深度學習發展尚淺，對於如何設定其網路架構和其學習參數目前沒有相關理論，一般是由嘗試錯誤取得。然而深度學習預測速度通常比傳統演算法慢，以至於實際運用時可能有許多限制。加速預測速度跟棋力強弱有很大關聯，譬如縮小訓練模型的尺寸就能達到加速的目的。另外如何把深度學習和之前其他演算法結合也是一個難題。譬如蒙地卡羅樹搜尋演算法跟深度學習結合的非常成功。除了深度學習，如何強化一個程式強度而且不改變其架構也是一個有趣的研究題目。當棋類遊戲執行在行動裝置上，如何強化程式棋力又不

增加耗電，這在行動裝置上是一個重要課題。本篇研究提供一些演算法去加速深度學習在 CPU, Xeon Phi 和顯示卡上預測速度。進一步，提出一個演算法去縮小深度學習訓練出來模型的尺寸。然後描述如何用深度學習和蒙地卡羅樹搜尋演算法設計一個棋類遊戲，本研究是選擇板塊圍棋。然後探索 testing accuracy 和 batch size 及 epoch 關係。另外也試驗改變深度學習輸入的權重值，來探討其跟棋力之關係。最後依據亂數種子最佳化方法來固定亂數，提出一個新的演算法來增強西洋跳棋程式棋力。本研究板塊圍棋和西洋跳棋程式在電腦奧林匹亞競賽都贏得冠軍。