歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
service-oriented arc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
國立臺灣大學 資訊工程學研究所 劉邦鋒、吳真貞所指導 歐力偉的 異質行動平台的CPU-GPU協作 （2018），提出service-oriented arc關鍵因素是什麼，來自於OpenCL、GPGPU、移動計算、異構系統、片上系統、深度學習、轉移學習。
而第二篇論文國立中央大學 土木工程學系在職專班 蔣偉寧、許文科所指導 王翎雅的 桃園縣建築物火警空間特性分析 （2014），提出因為有 建築物火警、地理資訊系統、核密度分析的重點而找出了 service-oriented arc的解答。
異質行動平台的CPU-GPU協作
為了解決service-oriented arc 的問題，作者歐力偉 這樣論述：
現代GPU架構的出現，使電腦能利用GPU的通用計算能力（GPGPU）以較低的計算成本解決大規模問題。這項技術創新也可在移動裝置上使用，解決了近期設備的主要問題之一：能量消耗。在本論文中，我們開發了一種新穎的方法，使CPU和GPU能夠在行動計算環境下進行合作。而目標是讓兩者都克服移動裝置的資源短缺，並減輕行動計算裝置的冷卻限制。如今已經開發了許多技術，使CPU和GPU能夠交互作用且執行一些密集型平行計算。但是，這些方法通常用來解決伺服器或桌上型PC所遭遇的議題。而移動計算環境存在許多特定領域的限制，這些限制促使我們再次回顧CPU和GPU的互動方式。並提出此篇論文解決可移植性效能、記憶體消耗和能
源消耗等目標。現代移動GPU因為精確度不足，使得它們無法運作於任何大規模數據分析任務，如主成分分析（PCA）。在本文中，我們將結合CPU的高精確性與與移動GPU的低功耗性來解決移動GPU精確度不足的限制。近來，深度學習被應用於解決許多機器學習的問題。有趣的是，在移動裝置上要訓練神經網絡常被認為是繁瑣的。幾個常見的深度學習框架（如TensorFlow Lite）僅在移動裝置上基於CPU實作了預測功能。但在本文中，我們建議利用移動裝置的CPU-GPU協作來執行含訓練到推理的深度學習計算。
桃園縣建築物火警空間特性分析
為了解決service-oriented arc 的問題，作者王翎雅 這樣論述：
本研究係探究桃園縣民國98年至102年五年間建築物火警樣態及其空間分佈特性。分析資料不侷限現行公部門公告之火災紀錄，而是擴增為建築物火警紀錄，目的希望藉由提高研究樣本參數，將資料重新建檔及校正，還原探究桃園縣建築物火警樣態。此外，分析過程中運用地理資訊系統(ARC GIS)進行空間分析，透過地址定位繪製火警斑點圖，利用核密度分析繪製火警熱區，呈現地區火警潛勢分佈及程度；另外，為瞭解各鄉鎮市火警空間型態及相關變異性，整合各鄉鎮市人文、地理相關屬性資料，比較、探討各鄉鎮市火警聚集之空間因素、環境特性及起火原因。本研究不僅還原實際桃園縣建築物火警樣態，也利用地理資訊系統重新認識各鄉鎮市火警潛勢型態
及分佈。研究資料除可供消防機關研訂相關對策與相關業務推動之參考，最大目的是希望藉由瞭解本轄火警區位特性，因地制宜加強防火宣導，有效降低火警發生率。