圖資的問題，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

全格局使用PyTorch - 深度學習和圖神經網路 - 基礎篇

為了解決圖資的問題，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 　

圖資進入發燒排行的影片

以相圖工程優化銀、銦、銅共摻雜硒化錫之熱電性質

為了解決圖資的問題，作者何孟圜 這樣論述：

熱電材料在熱電致冷與廢熱回收中有巨大的發展潛力，而熱電材料的轉換效率可由熱電優值(zT)判斷，根據公式zT = (S2σ/κ)T可算出合金之熱電優值，其中σ及S與電性有關，分別為電導係數與賽貝克係數，而κ是熱傳導係數。而SnSe為中溫型熱電材料，其晶體結構為斜方晶且具有異向性，在b軸與c軸方向具有較佳之電性，故在該方向具有較佳之熱電表現。根據以往文獻，不同製程會影響其熱電性質，其中又以長晶法所製作出的SnSe晶體具有最佳的熱電表現，熱電優值在923 K時能達到約2.62，顯示出SnSe本身具有良好的熱電發展潛力。因此本研究冀能透過摻雜，改善SnSe在低溫區間的熱電性質，使其在中低溫區亦具有熱

電發展潛力。本研究主要可分為三個部分: (一) 以布氏長晶法合成SnSe 單晶，及In、Cu摻雜之SnSe熱電合金；(二) 搭配實驗所建構之In-Sn-Se、Cu-Sn-Se之三元熱力學相圖資訊，輔助確認微量摻雜SnSe熱電合金之最佳組成區間，其中以合金Cu0.0025Sn0.9975Se具有最高的熱電優值，在室溫下較未摻雜之SnSe高出200 %，達到0.16，此結果有助於改善SnSe在低溫區間之熱電應用；(三) 進一步探討SnSe之異向性，並作為發展SnSe薄膜熱電材料之基石，本研究以In或Cu摻雜之SnSe晶體作為基材 (matrix)，在其表面濺鍍 (sputtering) Ag鍍層，

藉以觀察Ag/(In, Cu)-SnSe於電流輔助/觸發燒結 (electric current assisted/activated sintering)下之相互擴散反應，研究結果顯示，在In0.002Sn0.998Se及(Cu2Se)0.01(SnSe)0.99的合金組成中，其熱電性質會在Ag濺鍍及電流輔助後提升，可作為提升SnSe於低溫區熱電性質之方法。關鍵字:熱電材料、SnSe、In-Sn-Se三元相圖、布氏長晶法、濺鍍

記憶高手：過目不忘的策略與技巧

為了解決圖資的問題，作者 這樣論述：

記憶是學習的基礎，若缺少記憶，學習就如無源之水、無本之木。幾乎人人都懂得這個道理，卻少有人真正去解決這個問題，他們往往把問題歸結于自己太笨或是不夠努力。其實，記憶是要講求方法的，死記硬背是其中效率低的一種。人腦天生就更容易記憶形象的圖像，而不擅長記憶抽象的文字。許多高效的記憶方法正是基於此被開發出來的。《記憶高手：過目不忘的策略與技巧》為有記憶困擾的讀者提供了一些經過驗證的、可以提高記憶效率的方法，如聯想配對法、鎖鏈及電影串聯法、圖像定樁法和記憶宮殿法等。一邊了解原理，一邊跟着本書的案例進行訓練，相信你一定可以提高記憶效率! 林少波，世界記憶大師，ACI國際心理咨詢師

，國家二級心理咨詢師，專註力訓練高級教練，腦力思維訓練專家，快速閱讀高級講師，思維導圖資深講師。

應用HHT於水位自動資料檢核系統

為了解決圖資的問題，作者蕭武賢 這樣論述：

臺灣地區河川水位變化頻繁，由於水位資料需要現地監測取得，但現地可能有各種狀況，如儀器故障、傳輸異常及人為疏失等干擾，皆會影響其數據真實性，因此原始資料必須先執行品管檢核程序，將異常且不合理數據過濾排除，以利提供於水文研究分析較準確之數據使用。本研究所建立之自動化檢核程序利用希爾伯特-黃轉換(Hilbert-Huang ransform, HHT)達到檢核之目標，此方法為黃鍔博士於2009年所提出之時頻分析法，將訊號進行拆解並且分析各自瞬時頻率與振幅能量之相互關係。首先使用整體經驗模態分解法(Ensemble Empirical Mode Decomposition, EEMD)進行拆解，瞭解

此訊號之組成要素因子，為有限個本質模態函數(Intrinsic Mode Functions, IMF)以及一個剩餘函數(residual)，為達到辨識出異常值特徵，因此需最大程度表現出水位變化之突波(spike)與異常值的IMF分量，故而僅選擇第一個IMF分量進行希爾博伯特轉換(Hilbert Transform, HT)，轉換後可取得其時間-振幅能量關係圖，觀察該分量之振幅起伏對應真實水位情況，可知道其異常值之振幅數值，當振幅數值越大就可能有異常值出現，反之則為趨向合理情況，藉由觀察各點之振幅數值大小，設定一閥值作為過濾異常值之判斷依據，將超過閥值的點位過濾並排除，而選定閥值大小能控制品管

檢核結果，故可調節不同閥值進一步左右篩選結果，以此達到自動化檢核水位資料之目的。本研究使用傳統人工品管檢核作為標準取得該閥值，利用此閥值完成自動化檢核之最終篩選依據。為降低人工檢核時之人為因子影響結果，故而選定以與人工品管檢核結果約95%相似，若較保守設定其閥值，可盡量避免破壞原始數據之真實物理意義，篩選結束後仍可使用人工檢查確保其數據正確。依據品管檢核的結果得知，可發現自動化檢核可篩選出幾乎全部的異常值，將人工觀察到之明顯突波異常值，能盡量過濾剃除，並且對篩選結果以線性內插進行資料補遺，讓水位資料以連續且完整狀態呈現。自動化檢核程序相比人工檢核程序，能縮短檢核時間且節省檢核人員精力，提供更為

穩定運作之水位品管檢核程序，亦可更為靈活地根據不同篩選需求調整過濾門檻。