管線電影的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

科技社會人4：跟著關鍵物去旅行

為了解決管線電影的問題，作者林文源,郭文華,王秀雲,楊谷洋 這樣論述：

疫苗是如何誕生的？漁電共生行不行？ 視力表能否成為判斷盲人的標準？ 公民是否能「真正」參與臺灣智慧城市發展？ 　　從科技哲學、科學史以來，「物」始終是科技與社會研究者的關注焦點，本書除了延續前三集聚焦臺灣在地實作案例，更以「物」為線索，追究其交織出的各種世界觀、概念、體制脈絡，藉此瞭解社會如何形塑技術物對社會大眾的影響。 　　在地化臺灣 　　在本土意識及國家認同的逐步累積下，臺灣仍存在著族群、地域、政治，甚至認同差異，科技物的旅程也不例外。屏東林邊災後重建中新興的光電設施、高雄市路面下錯綜複雜的石化地下管線、臺南七股瀉湖與沙洲魚塭間的漁電共生、南投魚池鄉的邵族基因檢測與分類、彰化

縣芳苑鄉沿海的離岸風場，以及臺北市的智慧城市等，這些案例展現出在地鑲嵌的技術與社會特質。 　　歷史因緣際會 　　看似自古已有之的藥籤、作為功能性鑑定視力的檢測表、存在各種治理與感受可能的森林、剖腹產的臨床因素研究報告，以及同樣環繞著孕婦身體的羊膜穿刺術，這些容易被抽象化的民俗、文化、知／常識或研究，也在本書中具現為特定物的歷史旅程，帶我們一起追溯二十世紀的臺灣身世。 　　全球漫遊 　　無論是從法國而來的滅菌疫苗技術、美國CDC新聞室公布的新冠病毒圖像，以及綜合德國、法國與日本技術軌跡的高鐵、美國自閉症輔助研究中的社會性機器人；在東亞的日本、臺灣與中國間遊走的液晶面板隱微知識、源自比利時的B

MI公式、德國規範的水下噪音，以及美國藥廠的標靶藥物臨床試驗，這些討論更定位了諸多關鍵物從世界各地到臺灣之間的位移。 本書特色 　　1. 集結26位STS學者近年研究所得，共同呈現臺灣首本專注探討「臺灣科技物」的科學素養讀本。 　　2. 以人、物、知識、制度等面向，探索19個科技物／觀點，拓展讀者對本地科技與社會現象的思考敏銳度。 　　3.各篇文章皆附「教學工具箱」，提供與該篇主題相關及延伸的教學資源，以利大學及高中教師參考運用。 學界推薦 　　王文基／國立陽明交通大學人社院院長 　　黃俊儒／國立中正大學通識教育中心特聘教授 　　陳信行／世新大學社會發展研究所教授 　　楊倍昌／國立成功

大學微生物及免疫學研究所教授 　　黃信騰／新竹建華國中校長 　　許全義／臺中一中社會科教師 　　蔡汶鴻／南科實中物理科教師 　　當今科技社會瞬息萬變，我們也需要有新的視野。跟隨技術物生成與移動的軌跡，可更全面、細緻的關照人、技術物、社會與環境的關係，進而探索改變及提升的可能。／王文基（國立陽明交通大學人社院院長） 　　集結19個重要的科技關鍵物概念，延續STS注重身體實踐的精神，並富含學術及在地的意義，對於大學的教學、研究或是學生自修，都有很好的助益。／黃俊儒（國立中正大學通識教育中心特聘教授） 　　人打造物品，但人造物也構成我們生活世界的框架。當代的實踐從歷史中來，也會成為未來的歷史條

件。在地的實踐從全球的脈絡來，也成為脈絡的一部分。這些聽起來拗口的理論概念，在臺灣STS社群老將與新秀的筆下，一點都不抽象難懂，反而是我們身邊再具體也不過的事物。／陳信行（世新大學社會發展研究所教授） 　　關注在地，邁向國際。這本書收錄了當前臺灣的重要議題，有由南到北的在地樣態，有發人深省的歷史議題，也有具國際視野的新興科技，想知道19個關鍵物闡述的科技與社會的連結嗎？跟著一起去旅行吧！／黃信騰（新竹建華國中校長） 　　內容取材在地多元，架構清晰簡潔，論證圓融細膩，不僅是引導高中生探究、實作、解決問題的好書，更是撰寫小論文的參考典範。感謝本書的出版，讓高中端終於有科技與社會專題的讀本可用。

／許全義（臺中一中社會科教師） 　　從歷史紀錄中用科學方法透視各項關鍵物，引導讀者思考環境變遷所造成的影響、選擇對於人類文明較適當的發展之道，不管是醫學、理工或是社會科學知識背景的讀者，閱讀本書都會有一種暢快的感覺。／蔡汶鴻（南科實中物理科教師）  

管線電影進入發燒排行的影片

臺灣上市櫃公司揭露企業社會責任報告書 之決定因素

為了解決管線電影的問題，作者徐正冠 這樣論述：

本研究以2020年1,730家臺灣上市櫃公司為研究對象，經排除掉資料不完全、以及某些因產業特性或會計科目不相符之171家上市櫃公司後，共計1,559家上市櫃公司進行資料分析。同時，本研究也找出影響企業揭露企業社會責任報告書的相關變數，並利用資料探勘技術據此找出有無揭露、自願或強制性編製企業社會責任報告書的決定因素。因此，本研究除了瞭解臺灣上市櫃公司所有相關變數的資料描述性分析外，也利用資料探勘技術(鑑別分析、羅吉斯迴歸、人工類神經網路及多元適應性雲形迴歸)來建立有無揭露、自願或強制性編製企業社會責任報告書的分類模式，除嘗試「探勘」出臺灣上市櫃公司有無揭露、自願或強制性編製企業社會責任報告書的

重要變數外，並進一步探討使用各種工具建構出不同模式的差異與良窳。最後，本研究也將針對所得到結果提出管理上的建議。

PyTorch深度學習和圖神經網路（卷2）--開發應用

為了解決管線電影的問題，作者李金洪 這樣論述：

本書通過深度學習實例，從可解釋性角度出發，闡述深度學習的原理，並將圖神經網路與深度學習結合，介紹圖神經網路的實現技術。本書分為6章，主要內容包括：圖片分類模型、機器視覺的 應用、自然語言處理的相關應用、神經網路的可解釋性、識別未知分類的方法——零次學習、異構圖神經網路。本書中的實例是在PyTorch框架上完成的，具有較高的實用價值。 本書適合人工智慧從業者、程式師進階學習，也適合作為大專院校相關專業師生的教學和學習用書，以及培訓學校的教材。 李金洪 精通C、Python、Java語言，擅長神經網路、算法、協定分析、移動互聯網安全架構等技術，先後擔任過CAD算法工程師、架構

師、專案經理、部門經理等職位。參與過深度學習領域某移動互聯網後臺的OCR項目，某娛樂節目機器人的語音辨識、聲紋識別專案，金融領域的若干分類專案。 第1章 圖片分類模型　1 1.1　深度神經網路起源　2 1.2　Inception系列模型　2 1.2.1　多分支結構　2 1.2.2　全域均值池化　3 1.2.3　Inception V1模型　3 1.2.4　Inception V2模型　4 1.2.5　Inception V3模型　5 1.2.6　Inception V4模型　6 1.2.7　Inception-ResNet V2模型　6 1.3　ResNet模型　6 1.3

.1　殘差連接的結構　7 1.3.2　殘差連接的原理　8 1.4　DenseNet模型　8 1.4.1　DenseNet模型的網路結構　8 1.4.2　DenseNet模型的特點　9 1.4.3　稠密塊　9 1.5　PNASNet模型　9 1.5.1　組卷積　10 1.5.2　深度可分離卷積　11 1.5.3　空洞卷積　12 1.6　EfficientNet模型　14 1.6.1　MBConv卷積塊　15 1.6.2　DropConnect層　16 1.7　實例：使用預訓練模型識別圖片內容　16 1.7.1　瞭解torchvision庫中的預訓練模型　16 1.7.2　代碼實現：下載並載入預訓

練模型　17 1.7.3　代碼實現：載入標籤並對輸入資料進行預處理　18 1.7.4　代碼實現：使用模型進行預測　19 1.7.5　代碼實現：預測結果視覺化　20 1.8　實例：使用遷移學習識別多種鳥類　21 1.8.1　什麼是遷移學習　21 1.8.2　樣本介紹：鳥類資料集CUB-200　22 1.8.3　代碼實現：用torch.utils.data介面封裝資料集　22 1.8.4　代碼實現：獲取並改造ResNet模型　27 1.8.5　代碼實現：微調模型 一層　28 1.8.6　代碼實現：使用退化學習率對 模型進行全域微調　29 1.8.7　擴展實例：使用亂數據增強方法訓練模型　30 1.

8.8　擴展：分類模型中常用的3種損失函數　31 1.8.9　擴展實例：樣本均衡　31 1.9　從深度卷積模型中提取視覺特徵　33 1.9.1　使用鉤子函數的方式提取視覺特徵　33 1.9.2　使用重組結構的方式提取視覺特徵　34 第2章 機器視覺的 應用　37 2.1　基於圖片內容的處理任務　38 2.1.1　目標檢測任務　38 2.1.2　圖片分割任務　38 2.1.3　非極大值抑制演算法　39 2.1.4　Mask R-CNN模型　39 2.2　實例：使用Mask R-CNN模型進行目標檢測與語義分割　41 2.2.1　代碼實現：瞭解PyTorch中目標檢測的內置模型　41 2.2.2

　代碼實現：使用PyTorch中目標檢測的內置模型　42 2.2.3　擴展實例：使用內置的預訓練模型進行語義分割　43 2.3　基於視頻內容的處理任務　47 2.4　實例：用GaitSet模型分析人走路的姿態，並進行身份識別　47 2.4.1　步態識別的做法和思路　47 2.4.2　GaitSet模型　48 2.4.3　多層全流程管線　50 2.4.4　水準金字塔池化　51 2.4.5　三元損失　52 2.4.6　樣本介紹：CASIA-B資料集　53 2.4.7　代碼實現：用torch.utils.data介面封裝資料集　54 2.4.8　代碼實現：用torch.utils.data.samp

ler類創建含多標籤批次數據的採樣器　60 2.4.9　代碼實現：搭建 GaitSet模型　64 2.4.10　代碼實現：自訂三元損失類　67 2.4.11　代碼實現：訓練模型並保存模型權重檔　69 2.4.12　代碼實現：測試模型　72 2.4.13　擴展實例：用深度卷積和 池化 優化模型　77 2.4.14　擴展實例：視頻採樣並提取 輪廓　78 2.4.15　步態識別模型的局限性　79 2.5　調試技巧　79 2.5.1　解決顯存過滿損失值為0問題　80 2.5.2　跟蹤PyTorch顯存並查找顯存洩露點　81 第3章　自然語言處理的相關應用　83 3.1　BERT模型與NLP任務的發展

階段　84 3.1.1　基礎的神經網路階段　84 3.1.2　BERTology階段　84 3.2　NLP中的常見任務　84 3.2.1　基於文章處理的任務　85 3.2.2　基於句子處理的任務　85 3.2.3　基於句子中詞的處理任務　86 3.3　實例：訓練中文詞向量　87 3.3.1　CBOW和Skip-Gram模型　87 3.3.2　代碼實現：樣本預處理並生成字典　88 3.3.3　代碼實現：按照Skip-Gram模型的規則製作資料集　90 3.3.4　代碼實現：搭建模型並進行 訓練　92 3.3.5　夾角余弦　95 3.3.6　代碼實現：詞嵌入視覺化　96 3.3.7　詞向量的應用　

97 3.4　常用文本處理工具　98 3.4.1　spaCy庫的介紹和安裝　98 3.4.2　與PyTorch深度結合的文本 處理庫torchtext　99 3.4.3　torchtext庫及其內置資料集與 調用庫的安裝　99 3.4.4　torchtext庫中的內置預訓練詞 向量　100 3.5　實例：用TextCNN模型分析評論者是否滿意　100 3.5.1　瞭解用於文本分類的卷積神經網路模型——TextCNN　101 3.5.2　樣本介紹：瞭解電影評論 資料集IMDB　102 3.5.3　代碼實現：引入基礎庫　102 3.5.4　代碼實現：用torchtext載入 IMDB並拆分為資料集

　103 3.5.5　代碼實現：載入預訓練詞向量並進行樣本資料轉化　105 3.5.6　代碼實現：定義帶有Mish啟動 函數的TextCNN模型　107 3.5.7　代碼實現：用資料集參數產生實體 模型　109 3.5.8　代碼實現：用預訓練詞向量 初始化模型　109 3.5.9　代碼實現：用Ranger優化器訓練模型　109 3.5.10　代碼實現：使用模型進行預測　112 3.6　瞭解Transformers庫　113 3.6.1　Transformers庫的定義　113 3.6.2　Transformers庫的安裝方法　114 3.6.3　查看Transformers庫的版本資訊　115

3.6.4　Transformers庫的3層應用 結構　115 3.7　實例： 使用Transformers庫的管道方式完成多種NLP任務　116 3.7.1　在管道方式中 NLP任務　116 3.7.2　代碼實現：完成文本分類任務　117 3.7.3　代碼實現：完成特徵提取任務　119 3.7.4　代碼實現：完成完形填空任務　120 3.7.5　代碼實現：完成閱讀理解任務　121 3.7.6　代碼實現：完成摘要生成任務　123 3.7.7　預訓練模型檔的組成及其載入時的固定檔案名稱　124 3.7.8　代碼實現：完成實體詞識別任務　124 3.7.9　管道方式的工作原理　125 3.7.1

0　在管道方式中載入 模型　127 3.8　Transformers庫中的AutoModel類　128 3.8.1　各種AutoModel類　128 3.8.2　AutoModel類的模型載入機制　129 3.8.3　Transformers庫中 多的預訓練 模型　130 3.9　Transformers庫中的BERTology系列模型　131 3.9.1　Transformers庫的檔結構　131 3.9.2　查找Transformers庫中可以使用的模型　135 3.9.3　實例：用BERT模型實現完形填空任務　136 3.9.4　擴展實例：用 AutoModelWithMHead類 替換

BertForMaskedLM類　138 3.10　Transformers庫中的詞表工具　139 3.10.1　PreTrainedTokenizer類中的 特殊詞　139 3.10.2　PreTrainedTokenizer類的 特殊詞使用　140 3.10.3　向PreTrainedTokenizer類中 添加詞　144 3.10.4　實例：用手動載入GPT-2模型 權重的方式將句子補充完整　145 3.10.5　子詞的拆分　148 3.11　BERTology系列模型　149 3.11.1　Transformer之前的主流模型　149 3.11.2　Transformer模型　151

3.11.3　BERT模型　153 3.11.4　GPT-2模型　157 3.11.5　Transformer-XL模型　157 3.11.6　XLNet模型　158 3.11.7　XLNet模型與AE模型和AR 模型間的關係　161 3.11.8　RoBERTa模型　161 3.11.9　SpanBERT模型　162 3.11.10　ELECTRA模型　162 3.11.11　T5模型　163 3.11.12　ALBERT模型　164 3.11.13　DistillBERT模型與知識蒸餾　166 3.12　實例： 用遷移學習訓練BERT模型來對中文分類　167 3.12.1　樣本介紹　167

3.12.2　代碼實現：構建資料集　168 3.12.3　代碼實現：構建並載入BERT預訓練模型　169 3.12.4　BERT模型類的內部邏輯　170 3.12.5　代碼實現：用退化學習率訓練模型　172 3.12.6　擴展： 多的中文預訓練模型　175 3.13　實例：用R-GCN模型理解文本中的代詞　175 3.13.1　代詞資料集　175 3.13.2　R-GCN模型的原理與實現　176 3.13.3　將GAP資料集轉化成圖結構資料的思路　179 3.13.4　代碼實現：用BERT模型提取代詞特徵　181 3.13.5　代碼實現：用BERT模型提取 其他詞特徵　183 3.13.6　

用spaCy工具對句子依存 分析　185 3.13.7　代碼實現：使用spaCy和批次 圖方法構建圖資料集　187 3.13.8　代碼實現：搭建多層R-GCN 模型　192 3.13.9　代碼實現：搭建神經網路 分類層　193 3.13.10　使用 交叉驗證方法訓練 模型　196 第4章　神經網路的可解釋性　197 4.1　瞭解模型解釋庫　198 4.1.1　瞭解Captum工具　198 4.1.2　視覺化可解釋性工具Captum Insights　198 4.2　實例：用可解釋性理解數值分析神經網路模型　199 4.2.1　代碼實現：載入模型　199 4.2.2　代碼實現：用梯度積分演算法

分析模型的敏感屬性　200 4.2.3　代碼實現：用Layer Conductance方法查看單個網路層中的神經元　202 4.2.4　代碼實現：用Neuron Conductance方法查看每個神經元所關注的屬性　204 4.3　實例：用可解釋性理解NLP相關的神經網路模型　205 4.3.1　詞嵌入模型的可解釋性方法　205 4.3.2　代碼實現：載入模型類並將其處理 過程拆開　206 4.3.3　代碼實現：產生實體並載入模型權重，提取模型的詞嵌入層　207 4.3.4　代碼實現：用梯度積分演算法計算模型的可解釋性　208 4.3.5　代碼實現：輸出模型可解釋性的視覺化圖像　210 4.4

　實例：用Bertviz工視覺化BERT模型權重　211 4.4.1　什麼是Bertviz工具　212 4.4.2　代碼實現：載入BERT模型並視覺化其權重　212 4.4.3　解讀BERT模型的權重視覺化結果　216 4.5　實例：用可解釋性理解影像處理相關的神經網路模型　219 4.5.1　代碼實現：載入模型並進行圖像分類　219 4.5.2　代碼實現：用4種可解釋性演算法對模型進行可解釋性計算　220 4.5.3　代碼實現：視覺化模型的4種可解釋性演算法結果　221 4.6　實例：用可解釋性理解圖片分類相關的神經網路模型　222 4.6.1　瞭解Grad-CAM方法　223 4.6.2　

代碼實現：載入ResNet18模型並註冊鉤子函數提取特徵資料　225 4.6.3　代碼實現：調用模型提取中間層特徵資料和輸出層權重　226 4.6.4　代碼實現：視覺化模型的識別區域　227   第5章　識別未知分類的方法——零次 學習　229 5.1　瞭解零次學習　230 5.1.1　零次學習的思想與原理　230 5.1.2　與零次學習有關的常用資料集　232 5.1.3　零次學習的基本做法　233 5.1.4　直推式學習　233 5.1.5　泛化的零次學習任務　233 5.2　零次學習中的常見問題　233 5.2.1　領域漂移問題　234 5.2.2　原型稀疏性問題　235 5.2.3　

語義間隔問題　235 5.3　帶有視覺結構約束的VSC模型　236 5.3.1　分類模型中視覺特徵的本質　236 5.3.2　VSC模型的原理　237 5.3.3　基於視覺中心點學習的約束方法　238 5.3.4　基於倒角距離的視覺結構約束方法　239 5.3.5　什麼是對稱的倒角距離　239 5.3.6　基於二分匹配的視覺結構約束方法　239 5.3.7　什麼是指派問題與耦合矩陣　240 5.3.8　基於W距離的視覺結構約束方法　240 5.3.9　什麼是 傳輸　241 5.3.10　什麼是 傳輸中的熵 正則化　242 5.4　詳解Sinkhorn 演算法　244 5.4.1　Sinkhor

n演算法的求解轉換　244 5.4.2　Sinkhorn演算法的原理　245 5.4.3　Sinkhorn演算法中參數ε的 原理　246 5.4.4　舉例Sinkhorn演算法過程　246 5.4.5　Sinkhorn演算法中的品質守恆　248 5.4.6　Sinkhorn演算法的代碼實現　250 5.5　實例：使用VSC模型來識別未知類別的鳥類圖片　252 5.5.1　樣本介紹：用於ZSL任務的鳥類資料集　252 5.5.2　代碼實現：用遷移學習的方式獲得 訓練資料集分類模型　253 5.5.3　使用分類模型提取圖片視覺 特徵　254 5.5.4　代碼實現：用多層圖卷積神經 網路實現VSC模

型　255 5.5.5　代碼實現：基於W距離的損失 函數　256 5.5.6　載入資料並進行訓練　257 5.5.7　代碼實現：根據特徵距離對圖片 進行分類　258 5.6　針對零次學習的性能分析　259 5.6.1　分析視覺特徵的品質　259 5.6.2　分析直推式學習的效果　260 5.6.3　分析直推模型的能力　261 5.6.4　分析未知類別的聚類效果　262 5.6.5　清洗測試集　263 5.6.6　利用視覺化方法進行輔助分析　264 第6章　異構圖神經網路　267 6.1　異構圖的基礎知識　268 6.1.1　同構圖與異構圖　268 6.1.2　什麼是異構圖神經網路　268 6

.1.3　二分圖　268 6.1.4　局部圖卷積　270 6.2　二分圖的實現方式　270 6.2.1　用NetworkX實現二分圖　270 6.2.2　使用DGL構建二分圖　272 6.2.3　二分圖物件的調試技巧　275 6.3　異構圖的實現方式　276 6.3.1　創建異構圖　276 6.3.2　設置異構圖的節點個數　277 6.3.3　異構圖結構的查看方式　278 6.3.4　異構圖與同構圖的相互轉化　280 6.3.5　異構圖與同構圖的屬性操作方式　281 6.4　隨機行走採樣　282 6.4.1　什麼是隨機行走　283 6.4.2　普通隨機行走　283 6.4.3　帶停止概率的隨機

行走　284 6.4.4　帶路徑概率的隨機行走　284 6.4.5　基於原圖的隨機行走　285 6.4.6　在基於異構圖的隨機行走中設置停止概率　286 6.4.7　基於隨機行走採樣的資料處理　287 6.4.8　以隨機行走的方式對鄰居節點採樣　287 6.5　DGL庫中的塊圖結構　289 6.5.1　設計塊圖的動機　289 6.5.2　將同構圖轉化成塊圖　290 6.5.3　塊圖的屬性操作　290 6.5.4　將二分圖轉化成塊圖　291 6.6　實例：使用PinSAGE模型搭建 系統　292 6.6.1　準備MoiveLens資料集　292 6.6.2　代碼實現：用Panadas庫載入數據　

293 6.6.3　Categories與category 類型　294 6.6.4　代碼實現：生成異構圖　295 6.6.5　代碼實現：用邊分組方法拆分並保存資料集　296 6.6.6　PinSAGE模型　299 6.6.7　代碼實現：構建帶有鄰居節點採樣功能的資料載入器　300 6.6.8　代碼實現：PinSAGE模型的採樣 過程　305 6.6.9　代碼實現：搭建PinSAGE模型　309 6.6.10　代碼實現：產生實體PinSAGE模型類並進行訓練　315 6.6.11　代碼實現：用PinSAGE模型為 使用者 電影　315 6.6.12　擴展：在PinSAGE模型中融合 多的特徵資

料　317 6.7　總結　317

刻板印象嗅覺化體驗之創作與研究

為了解決管線電影的問題，作者陳可真 這樣論述：

電影《寄生上流》中，導演利用味道畫分階級，兩家人之間在行為上看似沒有越界，但味道越界了；又或者是電影《香水》，片中主角天生擁有過人的嗅覺，他靠著賦異稟的嗅覺，找出人類無法抗拒的氣味，並將這些味道收集起來調製成香水，讓人愉悅也讓人毀滅。這兩部電影都說明氣味能以無形的姿態，對人類的情感產生多直接的影響。嗅覺是所有感官裡，唯一不需要經過視丘，就能將刺激傳遞到大腦的感受器官，在聞到氣味時我們直覺反應是喜歡或討厭，不像其他感官能用一個名詞來說明。第一印象是一種主觀判斷，而嗅覺反應來自於情感和生活經驗，因此筆者想藉由氣味描繪一個人的第一印象，透過作品「人物形象調香室」，讓參與者在作品體驗中，將氣味與人物

形象做連結，在研究中筆者會以心理學和科學的方式討論氣味的感受與製作。本研究另一項探討的主題是「人際關係」，當我們在與人相處時會產生喜、怒、哀、樂…等感受，其中筆者以「介意」為核心，設計出作品「人類過敏實驗室」，以沉浸式體驗的方式探討人際距離，試圖將「介意」的感受設計成一個體驗空間。關鍵字：刻板印象、嗅覺、共感覺、第一印象、人際距離、香水