全球即時比分的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

行為上癮：從心理學、經濟學、社會學、行銷學的角度，完全解析智能社會下讓你入坑、欲罷不能、難以自拔的決策陷阱。

為了解決全球即時比分的問題，作者何聖君 這樣論述：

手機上癮不是你沒定力， 而是你沒看穿設計者的陰謀！ 　　在智能社會裡，「行為上癮」是我們自投羅網也是受人蓄意設計， 　　我們喪失的不只是時間、生活品質，更是人與人之間的連結。 　　這是一本以心理學切入的「工具書」，輔以廣告行銷、數位設計、社會學理論及經濟學原理，闡述數位時代人們如何在資本主義系統下，逐步交出我們的個人意志、自由選擇、情緒感受力與時間背後精細的人為算計與我們大腦的設計。同時提供有系統、有理論支持的「破解公式」，即便多年累積的經濟體制難以撼動、人類發展歷史永不可逆，身為數位時代的「使用者」，我們值得花時間理解這場共業般的陰謀與機制，從自己開始一一破解，為自己創造一個自主享受

科技便利而不受害的環境。 　　為什麼現在我們好像做什麼都會上癮？ 　　社交媒體上癮已經讓我們成為「異化的人」。 　　行為上癮在這個多元化的時代也有一定的個性化趨勢，除了賭癮、遊戲上癮、社交媒體上癮外，還有影片上癮、資訊上癮等。有些人熱衷看某一類的新聞，一看就是一上午；有人滑短影片滑得停不下來；有人沉迷網路小說與社會隔絕…… 　　當你沉浸在上癮的快樂時，這個世界有更多能讓你上癮的產品被設計出來，它們正躲在暗處，準備慢慢地「俘虜」你。 　　和藥癮不同，行為上癮不會產生撤除後引起生理痛苦的戒斷症狀。 　　但任何一款能使人產生行為上癮的產品的系統，都充分利用了人類大腦的特點，設計了一套讓人

欲罷不能的獎勵系統。 　　你以為的上癮，只是大腦受刺激的物理性影響嗎？你聽過越戰時期有十萬美國大兵人人都是毒蟲，戰爭結束後卻無人成癮嗎？ 　　有一項調查發現，越南戰爭期間，有將近十萬美國士兵在戰場中染上毒癮，這讓時任美國總統的尼克森非常擔心──所有人都能想像癮君子在毒癮發作時不計後果的破壞力，更何況他們還是身攜武器的軍人。 　　為了控制這種不良的預期，尼克森任命研究員李．羅賓斯對這十萬人進行追蹤。然而，出乎所有人的預料，原本毒癮的平均自然戒斷率只有百分之五，但在這十萬人中，真正毒癮復發的士兵居然只有百分之五。 　　這當然是一件好事，但這到底是為什麼呢？ 　　羅賓斯為了研究這種反常現象

背後的緣由，請專家團隊將每個影響因數做對比分析，最終，他找到了對這些士兵產生影響的核心因素：環境。 　　環境的力量之所以能產生效果，依舊離不開「觸發、行動、獎勵」的迴路模型。 　　上癮式設計：讓大腦製造多巴胺獎勵，推陳出新抵抗減敏感反應 　　當我們首次打開「抖音」APP後，系統會推薦給我們按讚數最高的影片，由於絕大部分的人對有趣、好玩、快樂的感知基本大同小異，因此，這段初次體驗的十五秒短片會對我們大腦中的依核（Nucleus Accumbens）──也就是大腦的快樂中樞產生作用，繼而促使大腦分泌大量多巴胺，給我們製造快樂獎勵，這是第一階段。 　　第二階段，如果我們看的影片類型大同小異，

那麼大腦就會具有適應某種刺激反應衰退的結果，產生的多巴胺也會相應變少，這就是所謂的減敏感反應（可以理解為你總是吃同樣的東西，次數一多就吃膩了）。然而大數據的分析完美避開了減敏反應所帶來的多巴胺降低以致消費者暫停使用產品的可能。 　　➥ 詳細拆解行為上癮「六大原理」 　　原理一、行為觸發──走入行為上癮之路。 　　原理二、輕鬆「入坑」──讓你覺得你入的不是坑，是有趣的遊戲。 　　原理三、即時回饋──鼓勵你重複同樣的上癮行為。 　　原理四、挑戰升級──讓人欲罷不能的晉級樓梯。 　　原理五、未完待續──讓你始終停不下來。 　　原理六、社群依賴──沉浸其中，無法自拔。 　　➥ 腦神經科學實驗×心理

學效應×社會學理論 　　×經濟學現象×廣告行銷心理學 　　░ 奧爾茲電擊老鼠實驗 　　被電擊刺激的小老鼠享受著電擊，不吃不喝，最終力竭而亡。電擊刺激大腦「快感中樞」所帶來的是「獎勵」，刺激並無法滿足與療癒，而是會造成行為上癮（Addictive Behaviors）。 　　░ 廣告心理學的「七次法則」 　　為什麼看十五秒廣告可以免費看影片？這是個搶佔你的注意力與時間的時代。一個消費者要連續七次看到你的品牌或產品資訊，才能產生一定的信任，增加消費者購買的機率。 　 　　░ 單純曝光效應（Mere Exposure Effect） 　　這種現象具體表現為隨著接觸次數越來越多，人就會越發喜歡它。比

如，你第一次看到一個長相醜陋的人可能覺得很厭惡，但和他待的時間長了，就漸漸覺得對方也不是那麼難看了。 　　░ 人類底層的行為公式：B=MAT。 　　人類的行為模式實際都是一套套演算法，讓人產生行動的邏輯正是人類底層的行為公式：B=MAT。Behavior（行動）= Motivation（動機）×Ability（能力）×Trigger（觸發）。 　　░ 「登門檻效應」（Foot In The Door Effect） 　　美國心理學家對家庭主婦進行的實驗。個體一旦接受了一個小要求之後，為了避免自己認知上的不協調，會有機會接受之後更過分的要求。 　　░ 蔡格尼效應 　　所謂蔡格尼效應，是指人

對未處理完的事情比對已處理完成的事情印象更深刻，這是一種對未竟之事的緊張感，是一種對閉環和圓滿的追求，也是人們對好奇事物渴望得到解答的強烈訴求。 本書特色 　　⍝ 從心理學實驗看智能社會下的焦慮人性 　　⍝ 透過各學派理論認識何謂行為上癮 　　⍝ 實驗案例說明大腦認知偏差影響你的決策 　　⍝ 拆解各式手遊或網紅應用程式設計的心理陷阱 　　⍝ 實體商店與線上整合行銷成功案例解構 　　⍝ 21部暢銷書精萃教你擺脫行為上癮 　　⍝ 靈活運用行為上癮與孩子一起學習  

AI安全之對抗樣本入門

為了解決全球即時比分的問題，作者兜哥 這樣論述：

本書系統介紹對抗樣本的基本原理，從相關的背景知識開始，包含搭建學習對抗樣本的軟硬體環境、常用工具，帶領讀者快速上手實踐。本書作者在安全領域有多年實踐經驗，對業界常見的方法做了系統的歸納總結，包含大量案例，深入淺出，實踐性強。 主要內容包括：·對抗樣本相關的深度學習背景知識，如梯度、優化器、反向傳遞等。·如何搭建學習對抗樣本的軟硬體環境。·對抗樣本領域的一些常見圖像處理技巧。·常見的白盒攻擊演算法與黑盒攻擊演算法。·對抗樣本在目標檢測領域的應用。·對抗樣本的常見加固演算法。·常見的對抗樣本工具以及如何搭建NIPS對抗樣本競賽環境。·如何站在巨人的肩膀上，快速生成自己的對抗樣本，進行攻防對抗。

兜哥，百度安全實驗室AI模型安全負責人，具有10餘年安全從業經歷，曾任百度基礎架構安全負責人、Web安全產品線負責人。主要研究方向為對抗樣本、生成對抗網路。著有AI安全暢銷書籍《Web安全之機器學習入門》《Web安全之深度學習實戰》《Web安全之強化學習與GAN》。著名開源AI安全工具箱AdvBox的作者，Free Buf、雷鋒網、安全客特邀專欄作家，知名安全自媒體「兜哥帶你學安全」主編。 序一 序二 自序 前言 第1章　深度學習基礎知識 1 1.1　深度學習的基本過程及相關概念 1 1.1.1　數據預處理 1 1.1.2　定義網路結構 2 1

.1.3　定義損失函數 6 1.1.4　反向傳遞與優化器 7 1.1.5　範數 12 1.2　傳統的圖像分類演算法 13 1.3　基於CNN的圖像分類 14 1.3.1　局部連接 14 1.3.2　參數共用 15 1.3.3　池化 17 1.3.4　典型的CNN結構 18 1.3.5　AlexNet的結構 19 1.3.6　VGG的結構 19 1.3.7　ResNet50 20 1.3.8　InceptionV3 20 1.3.9　視覺化CNN 20 1.4　常見性能衡量指標 30 1.4.1　測試資料 30 1.4.2　混淆矩陣 31 1.4.3　準確率與召回率 31 1.4.4　準確度與F

1-Score 32 1.4.5　ROC與AUC 33 1.5　集成學習 34 1.5.1　Boosting演算法 35 1.5.2　Bagging演算法 37 1.6　本章小結 39 第2章　打造對抗樣本工具箱 40 2.1　Anaconda 41 2.2　APT更新源 45 2.3　Python更新源 45 2.4　Jupyter notebook 45 2.5　TensorFlow 49 2.6　Keras 50 2.7　PyTorch 51 2.8　PaddlePaddle 52 2.9　AdvBox 52 2.10　GPU伺服器 52 2.11　本章小結 55 第3章　常見深度學

習平臺簡介 56 3.1　張量與計算圖 56 3.2　TensorFlow 58 3.3　Keras 62 3.4　PyTorch 64 3.5　MXNet 67 3.6　使用預訓練模型 70 3.7　本章小結 76 第4章　影像處理基礎知識 77 4.1　圖像格式 77 4.1.1　通道數與圖元深度 77 4.1.2　BMP格式 80 4.1.3　JPEG格式 81 4.1.4　GIF格式 81 4.1.5　PNG格式 81 4.2　圖像轉換 81 4.2.1　仿射變換 81 4.2.2　圖像縮放 83 4.2.3　圖像旋轉 85 4.2.4　圖像平移 85 4.2.5　圖像剪切 86 4

.2.6　圖像翻轉 87 4.2.7　亮度與對比度 88 4.3　圖像去噪 89 4.3.1　高斯雜訊和椒鹽雜訊 90 4.3.2　中值濾波 91 4.3.3　均值濾波 93 4.3.4　高斯濾波 93 4.3.5　高斯雙邊濾波 94 4.4　本章小結 96 第5章　白盒攻擊演算法 97 5.1　對抗樣本的基本原理 97 5.2　基於優化的對抗樣本生成演算法 100 5.2.1　使用PyTorch生成對抗樣本 102 5.2.5　使用TensorFlow生成對抗樣本 106 5.3　基於梯度的對抗樣本生成演算法 109 5.4　FGM/FGSM演算法 110 5.4.1　FGM/FGSM基本

原理 110 5.4.2　使用PyTorch實現FGM 111 5.4.3　使用TensorFlow實現FGM 112 5.5　DeepFool演算法 115 5.5.1　DeepFool基本原理 115 5.5.2　使用PyTorch實現DeepFool 117 5.5.3　使用TensorFlow實現DeepFool 122 5.6　JSMA演算法 124 5.6.1　JSMA基本原理 124 5.6.2　使用PyTorch實現JSMA 126   生活中的深度學習 深度學習自2006年產生之後就受到科研機構、工業界的高度關注。最初，深度學習主要用於圖像和語音領域。從2

011年開始，穀歌研究院和微軟研究 院的研究人員先後將深度學習應用到語音辨識，使識別錯誤率下降了20%～30%。2012年6月，穀歌首席架構師Jeff Dean和斯坦福大學教授Andrew Ng主導著名的Google Brain項目，採用16萬個CPU來構建一個深層神經網路，並將其應用於圖像和語音的識別，最終大獲成功。 2016年3月，AlphaGo與圍棋世界冠軍、職業九段棋手李世石進行圍棋人機大戰，以4比1的總比分獲勝；2016年年末2017年年初，該程 序在中國棋類網站上以“大師”（Master）為註冊帳號與中日韓數十位圍棋高手進行快棋對決，連續60局無一敗績；2017年5月，在中國烏鎮

圍棋峰會上，它與排名世界第一的圍棋世界冠軍柯潔對戰，以3比0的總比分獲勝。AlphaGo的成功更是把深度學習的熱潮推向了全球，成為男女老少茶餘飯後關注的熱點話題。 現在，深度學習已經遍地開花，在方方面面影響和改變著人們的生活，比較典型的應用包括智慧家居、智慧駕駛、人臉支付和智慧安防。 深度學習的脆弱性 深度學習作為一個非常複雜的軟體系統，同樣會面對各種駭客攻擊。駭客通過攻擊深度學習系統，也可以威脅到財產安全、個人隱私、交通安全和公共安全（見圖0-1）。針對深度學習系統的攻擊，通常包括以下幾種。 1. 偷取模型 各大公司通過高薪聘請AI專家設計模型，花費大量資金、人力搜集訓練資料，又花費

大量資金購買GPU設備用於訓練模型，最後得到深度學習模型。深度學習模型的最終形式也就是從幾百KB到幾百MB不等的一個模型檔。深度學習模型對外提供服務的形式也主要分為雲模式的API，或者私有部署到使用者的移動 設備或資料中心的伺服器上。針對雲模式的API，駭客通過一定的遍歷演算法，在調用雲模式的API後，可以在本地還原出一個與原始模型功能相同或者類似的模型；針對私有部署到使用者的移動設備或資料中心的伺服器上，駭客通過逆向等傳統安全技術，可以把模型檔直接還原出來供其使用。偷取深度學習模型的過程如圖 0-2所示。 2. 數據投毒 針對深度學習的資料投毒主要是指向深度學習的訓練樣本中加入異常資料，導

致模型在遇到某些條件時會產生分類錯誤。如圖0-3所示。早期的資料投毒都 存在於實驗室環境，假設可以通過在離線訓練資料中添加精心構造的異常資料進行攻擊。這一攻擊方式需要接觸到模型的訓練資料，而在實際環境中，絕大多數情況都是公司內部在離線資料中訓練好模型再打包對外發佈服務，攻擊者難以接觸到訓練資料，攻擊難以發生。於是攻擊者把重點放到了線上學習的場景，即模型是利用線上的資料，幾乎是即時學習的，比較典型的場景就是推薦系統。推薦系統會結合使用者的歷史資料以及即時的訪問資料，共同進行學習和判斷，最終得到推薦結果。駭客正是利用這一可以接觸到訓練資料的機會，通過一定的演算法策略，發起訪問行為，最終導致推薦系統

產生錯誤。 3. 對抗樣本 對抗樣本由Christian Szegedy等人提出，是指在資料集中通過故意添加細微的干擾所形成的輸入樣本，這種樣本導致模型以高置信度給出一個錯誤的輸出。在正則化背景下，通過對抗訓練減少原有獨立同分佈的測試集的錯誤率，在對抗擾動的訓練集樣本上訓練網路。 簡單地講，對抗樣本通過在原始資料上疊加精心構造的人類難以察覺的擾動，使深度學習模型產生分類錯誤。以圖像分類模型為例，如圖0-4所示，通過在原始圖像上疊加擾動，對於肉眼來說，擾動非常細微，圖像看起來還是熊貓，但是圖像分類模型卻會以很大的概率識別為長臂猿。 下面以一個圖像分類模型為例，更加直接地解釋對抗樣本的基本原

理。通過在訓練樣本上學習，學到一個分割平面，在分割平面一側的為綠球，在分割平面另 外一側的為紅球。生成攻擊樣本的過程，就是在資料上添加一定的擾動，讓其跨越分割平面，從而把分割平面一側的紅球識別為綠球，如圖0-5所示。 對抗樣本按照攻擊後的效果分為Targeted Attack（定性攻擊）和Non-Targeted Attack（無定向攻擊）。區別在於Targeted Attack在攻擊前會設置攻擊的目標，比如把紅球識別為綠球，或者把麵包識別為熊貓，也就是說在攻擊後的效果是確定的；Non-Targeted Attack在攻擊前不用設置攻擊目標，只要攻擊後，識別的結果發生改變即可，可能會把麵包識

別為熊貓，也可能識別為小豬佩琪或者小豬喬治，如圖0-6所 示。 對抗樣本按照攻擊成本分為White-Box Attack（白盒攻擊）、Black-Box Attack（黑盒攻擊）和Real-World Attack/Physical Attack（真實世界/物理攻擊）。 White-Box Attack（見圖0-7）是其中攻擊難度最低的一種，前提是能夠完整獲取模型的結構，包括模型的組成以及隔層的參數情況，並且可以完整控制模型的輸入， 對輸入的控制細微性甚至可以到比特級別。由於White-Box Attack前置條件過於苛刻，通常作為實驗室的學術研究或者作為發起Black-Box Attac

k和Real-World Attack/Physical Attack的基礎。 Black-Box Attack相對White-Box Attack攻擊難度具有很大提高，Black-Box Attack完全把被攻擊模型當成一個黑盒，對模型的結構沒有瞭解，只能控制輸入，通過比對輸入和輸出的回饋來進行下一步攻擊，見圖0-8。 Real-World Attack/Physical Attack（見圖0-9）是這三種攻擊中難度最大的，除了不瞭解模型的結構，甚至對於輸入的控制也很弱。以攻擊圖像分類模型為例（見圖0-10），生成 的攻擊樣本要通過相機或者攝像頭採集，然後經過一系列未知的預處理後再輸入模型進

行預測。攻擊中對抗樣本會發生縮放、扭轉、光照變化、旋轉等。 常見檢測和加固方法 1. 深度學習脆弱性檢測 檢測深度學習脆弱性的過程，其實就是發起攻擊的過程，常見的白盒攻擊演算法列舉如下。 ILCM(最相似反覆運算演算法) FGSM(快速梯度演算法) BIM(基礎反覆運算演算法) JSMA(顯著圖攻擊演算法) DeepFool(DeepFool演算法) C/W(C/W演算法) 常見的黑盒攻擊方法列舉如下。 Single Pixel Attack(單圖元攻擊) Local Search Attack(本地搜索攻擊) 2. 深度學習脆弱性加固 針對深度學習脆弱性進行加固的常見方法主要包括以下幾種，

我們將重點介紹Adversarial training。 Feature squeezing(特徵凝結) Spatial smoothing(空間平滑) Label smoothing(標籤平滑) Adversarial training(對抗訓練) Virtual adversarial training (虛擬對抗訓練) Gaussian data augmentation (高斯資料增強) Adversarial training如圖0-11所示，其基本思路是，常見的對抗樣本生成演算法是已知的，訓練資料集也是已知的，那麼可以通過常見的一些對抗樣本工具箱，比如 AdvBox 或者FoolB

ox，在訓練資料的基礎上生成對應的對抗樣本，然後讓深度學習模型重新學習，讓它認識這些常見的對抗樣本，這樣新生成的深度學習模型就具有 了一定的識別對抗樣本的能力。 與Adversarial training思路類似的是Gaussian data augmentation。Gaussian data augmentation的基本原理是，對抗樣本是在原始資料上疊加一定的擾動，這些擾動非常接近隨機的一些雜訊。Adversarial training雖然簡單易於實現，但是技術上難以窮盡所有的攻擊樣本。Gaussian data augmentation直接在原始資料上疊加高斯雜訊，如圖0-12所示，k

為高斯雜訊的係數，係數越大，高斯雜訊越強，其他參數分別表示高斯雜訊的均 值和標準差。Gaussian data augmentation把訓練資料疊加了雜訊後，重新輸入給深度學習模型學習，通過增加訓練輪數、調整參數甚至增加模型層數，在不降低原有模型準確度的 情況下，讓新生成的深度學習模型具有了一定的識別對抗樣本的能力。 對抗樣本領域的最新進展 對抗樣本是AI安全研究的一個熱點，新的攻擊演算法和加固方法層出不窮，而且攻擊場景也從實驗室中的簡單圖像分類，迅速擴展到智慧音箱、無人駕駛等領 域。百度安全實驗室的最新研究報告《感知欺騙：基於深度神經網路（DNN）下物理性對抗攻擊與策略》成功入選Blac

kHat Europe 2018。報告展現了讓物體在深度學習系統的“眼”中憑空消失，在AI時代重現了大衛·科波菲爾的經典魔法。針對深度學習模型漏洞進行物理攻擊可行性研究 有著廣泛的應用前景，在自動駕駛領域、智慧安防領域、物品自動鑒定領域都有重要的實際意義。 如圖0-13所示，在時間t0的時候，當在車後顯示器中顯示正常logo時，YOLOv3可以正確識別目標車輛，而在t1時，切換到擾動後的圖片 時，它可以立刻讓目標車輛在YOLOv3面前變得無法辨識；在t2時，如圖0-14所示切換回正常的圖片，YOLOv3重新可以識別目標車輛。這是首次針 對車輛的物理攻擊的成功展示，與以往的學術論文相比，在攻擊

目標的大小、解析度的高低以及物理環境的複雜性等方面，在影響和難度上都是一個巨大提升。 Kan Yuan和Di Tang等人在論文《Stealthy Porn: Understanding Real-World Adversarial Images for Illicit Online Promotion》中介紹了黑產如何通過單色化、加雜訊、增加文字、仿射變化、濾波模糊化和遮蓋等方式讓違規圖片繞過目前主流的圖片內容檢測服務。這也標誌著對抗樣本技術已經從實驗室環境真正進入了網路對抗實戰。 國內安全人員在對抗樣本領域的研究成果得到了國際的普遍認可。朱軍等人指導的清華大學團隊曾在NIPS 2017

對抗樣本攻防競賽中奪冠，紀守領老師所在的 NESA Lab提出了一種新型的對抗性驗證碼，能防範來自打碼平臺等黑產的破解。  

高聲量，高報酬！ 新產品宣告及網路聲量對供應鏈概念股影響之研究─以任天堂Switch遊戲為例

為了解決全球即時比分的問題，作者黃琣智 這樣論述：

2017年，任天堂公司的Switch遊戲機首次上市就造成全球轟動，主機及遊戲的熱銷帶來了龐大的市場商機與經濟價值，更衍伸出台灣Switch概念股投資標的。近年受新冠疫情影響而出現的「宅經濟」，更將Switch概念股投資標的推上另一波高點。過去不少研究證實新產品宣告對自身公司及產品供應鏈股價有正向影響，其中宣告事件的媒體曝光對新產品宣告效果扮演重要的角色，隨著社群媒體興起與普及，網路聲量被視為事件熱門程度與曝光程度的重要指標，然而在新產品宣告效果的研究中，鮮少探討新產品宣告事件網路聲量對其新產品宣告效果之干擾影響。有鑑於網路聲量近年常被視為股市預測研究的重要影響因子，本研究蒐集台灣經濟資料庫(

TEJ)2018至2021年期間，任天堂Switch遊戲宣告事件及任天堂Switch概念股股市資料，並利用KEYPO大數據搜尋引擎搜集任天堂直面會發布期間的所有宣告事件之網路聲量，將其分為總聲量、正負面情緒比與社群討論度做各別探討，旨在檢驗任天堂Switch新產品宣告事件是否對任天堂Switch概念股股價產生異常報酬率，並進一步檢視不同類型之網路聲量對其新產品宣告效果之干擾影響。本研究採事件研究法，以普通最小平方法(OLS)評估各事件期之平均異常報酬率與累積異常報酬率，並以單一樣本t檢定檢驗新產品宣告事件對整體概念股股價異常報酬率之影響。本研究發現，新產品宣告效果與過往研究結果相似，新產品宣告

事件對股價之影響具時序性，有正向提前反應與負向過度修正反應，惟對事件期間的整體股價影響沒有正向效果；不過，本研究發現網路聲量作為新型態曝光媒介，為促成新產品宣告效果成功與否之重要關鍵，當新產品宣告事件在網路上的討論度越高、正面評價越好及社群媒體宣傳越多，其對概念股股價之正向影響來得更強，且對整體股價也有顯著的正向效果。本研究推測其熱門的新產品宣告事件，將成功帶來巨額產品銷售經濟，也被投資人視為能對整體產業鏈股價估值帶來正向效益的利多事件，此現象可作為投資者在投資相關概念股股市之參考方向。未來研究亦可將網路聲量作為判斷新產品宣告效果成效之因子，用以預測未來產品銷售、該企業及相關供應鏈公司的股價趨

勢。