ai網格背景的問題，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

騰訊遊戲開發精粹Ⅱ

為了解決ai網格背景的問題，作者騰訊遊戲 這樣論述：

《騰訊遊戲開發精粹 Ⅱ》是騰訊遊戲研發團隊不斷積累沉澱的技術結晶，是繼 2019年推出《騰訊遊戲開發精粹》後的誠意續作。本書收錄了 21 個在上線專案中得到驗證的技術方案，深入介紹了騰訊公司在遊戲開發領域的新研究成果和新技術進展，涉及人工智慧、電腦圖形、動畫和物理、用戶端架構和技術、服務端架構和技術及管線和工具等多個方向。本書適合遊戲從業者、遊戲相關專業師生及對遊戲幕後技術原理感興趣的普通玩家。 本書作者團隊來自騰訊遊戲各個部門，由數十位從事一線技術研發和前沿創新的技術專家組成。 部分Ⅰ 人工智能 第1章 基於照片的角色捏臉和個性化技術 2 1.1　遊戲

中的捏臉系統 2 1.2　基於照片的角色捏臉流程 3 1.3　自訂捏臉工具包Face Avatar 31 1.4　總結 33 第2章 強化學習在遊戲AI中的應用 34 2.1　遊戲中的智能體 34 2.2　強化學習在競速類遊戲中的應用 38 2.3　強化學習在格鬥類遊戲中的應用 45 2.4　展望與總結 55 第3章 多種機器學習方法在賽車AI中的綜合應用 61 3.1　遊戲AI簡介 61 3.2　賽車AI的常規方案 62 3.3　遺傳演算法優化賽車AI參數 63 3.4　監督學習訓練賽車AI 68 3.5　強化學習訓練賽車AI 71 3.6　總結 74 第4章 數位人級別的語音驅動面部動畫生

成 75 4.1　語音驅動數位人面部動畫專案介紹 75 4.2　問題背景與研究現狀 75 4.3　一個語音驅動高保真數位人的機器學習處理流程 79 4.4　基於深度學習語音辨識的語音驅動數位人方法 85 4.5　多情緒語音驅動數位人 91 4.6　應用 93 4.7　總結 97 部分Ⅱ 電腦圖形 第5章 即時面光源渲染 100 5.1　現狀介紹 100 5.2　理論介紹 101 5.3　實踐優化 107 5.4　總結 112 第6章 可定制的快速自動化全域光照和可見性烘焙器 113 6.1　光照烘焙簡介 113 6.2　基於Voxel的快速光線追蹤的實現 114 6.3　Volume Lig

htmap的烘焙實現 123 6.4　Visibility的烘焙、存儲與使用 128 6.5　總結 143 第7章 物質點法在動畫特效中的應用 145 7.1　物質點法簡介 145 7.2　工業界現有的物質點法模擬庫 147 7.3　物質點法在GPU上的高效實現 149 7.4　虛幻引擎中的物質點法外掛程式 155 7.5　實現效果 160 7.6　總結 161 第8章 高自由度捏臉的表情動畫複用方案 162 8.1　面部捕捉表情重定向到玩家自訂的臉 162 8.2　捏臉與表情系統概述 163 8.3　捏臉系統設計與實現 165 8.4　表情系統原理與表情捕捉技術 172 8.5　表情動畫補償

與性能優化方案 178 8.6　總結 190 部分Ⅲ 動畫和物理 第9章 多足機甲運動控制解決方案 192 9.1　機甲題材的遊戲 192 9.2　程式化運動動畫 195 9.3　表現生動化 200 9.4　地形適應 204 9.5　總結 207 第10章 物理查詢介紹及玩法應用 208 10.1　物理引擎和物理查詢 208 10.2　穿牆問題 208 10.3　物理查詢 208 10.4　射線投射查詢 209 10.5　掃掠查詢 213 10.6　重疊查詢 219 第11章 基於物理的角色翻越攀爬通用解決方案 223 11.1　應用場景介紹 223 11.2　CP系統的物理基礎 224 1

1.3　CP系統的設計思路 227 11.4　CP系統的具體實現 229 11.5　CP系統的性能優化和複雜度控制 236 11.6 遊戲的應用與優化 238 11.7　總結 239 部分Ⅳ 用戶端架構和技術 第12章 跨遊戲引擎的H5渲染解決方案 242 12.1　嵌入遊戲的H5渲染引擎介紹 242 12.2　如何快速開發遊戲周邊系統及問題 242 12.3　架構 245 12.4　渲染後端實現 251 12.5　渲染之外 269 12.6　總結 270 第13章 大世界的場景複雜度管理方案 272 13.1　遊戲裡的大世界 272 13.2　輸入部分 277 13.3　輸出部分 284

13.4　回饋控制部分 285 13.5　測試資料 290 13.6　總結 291 第14章 基於多級細節網格的場景動態載入 292 14.1　Level Streaming 292 14.2　基於多級細節網格的Level Streaming 293 14.3　將場景預處理成多級細節網格結構 295 14.4　基於多級細節網格結構的載入 298 14.5　多級細節網格的其他應用 299 14.6　總結 300 部分Ⅴ 服務端架構和技術 第15章 面向遊戲的高性能服務網格TbusppMesh 304 15.1　TbusppMesh摘要 304 15.2　TbusppMesh資料通信 305 1

5.3　TbusppMesh組網策略 309 15.4　TbusppMesh有狀態服務 315 15.5　總結 321 第16章 遊戲配置系統設計 322 16.1　遊戲配置系統概述 322 16.2　遊戲配置簡介 322 16.3　遊戲配置系統 323 16.4　配置設計與發佈 324 16.5　配置Web管理系統 328 16.6　總結 330 第17章 遊戲敏捷運營體系技術 331 17.1　遊戲運營概況 331 17.2　DataMore大資料計算體系建設 335 17.3　基礎平臺 343 17.4　總結 360 部分Ⅵ 管線和工具 第18章 從照片到模型 364 18.1　從照片到

模型概述 364 18.2　拍攝和預處理 366 18.3　模型生成和處理 374 18.4　去光照 378 18.5　結果展示 384 18.6 總結 385 第19章 一種可定制的Lua代碼編輯檢測工具 387 19.1　LuaHelper簡介 387 19.2　研究現狀 388 19.3　實現原理 388 19.4　相關理論 392 19.5　代碼檢測 402 19.6　注解功能 407 19.7　總結 416 第20章 安卓平臺非託管內存分析方案 417 20.1　內存問題 417 20.2　解決方案 419 20.3　適配遊戲引擎 422 20.4　性能表現 425 第21章 過程化

河流生成方法研究與應用 427 21.1　過程化挑戰 428 21.2　Houdini / Houdini Engine簡介 428 21.3　河流組成及視覺要素 429 21.4　河流生成 429 21.5　材質 449 21.6　工作流程 452 21.7　總結 455  

ai網格背景進入發燒排行的影片

消防人員於黑暗複雜建築環境之搜索教育訓練研究

為了解決ai網格背景的問題，作者林世明 這樣論述：

依據內政部消防署統計年報，1997至2020年間共計84名消防人員因公死亡(殉職)，5人因公全殘、17人因公半殘、2,903人因公受傷，其中最嚴重的傷亡都是執行黑暗複雜環境的火災勤務所致，消防人員在黑暗又複雜的火場環境中搜索可能會失去空間方向，嚴重時將會在火場上危及自身生命安全，充分突顯加強黑暗複雜環境的搜救能力訓練刻不容緩。本研究於新北市政府消防局汐止保長坑訓練中心（New Taipei City Government Fire Department,NTFD）的黑暗複雜空間(濃煙搜索訓練立體鐵籠)進行，由58位消防人員參與實驗，全身穿戴消防衣、帽、鞋(PPE)及空氣呼吸器(SCBA)完成

重裝體能訓練，接續執行全尺寸黑暗複雜空間(Dark and Complex Environments,DCEs)的尋路時間實驗，針對性別、年齡、消防分隊特性（都市、郊區或山區）、服務年資、救助隊訓練、慣用手、尋路的起始方向、火場搜索經驗、懼高症、怕黑、害怕陌生人、容易緊張及幽閉恐懼症等13個因子間尋路時間的差異，透過t檢定獲得敘述性統計資料，並進行多元線性回歸分析檢定顯著有意義因子，最後綜合問卷資料與統計分析資料獲得結果。經實驗結果得知，「年齡」可能是「次要顯著」及「幽閉恐懼症」為「顯著」的有意義因子，針對研究結論提出，協助透過行為、藥物理療降低對幽閉空間恐懼程度並評估調整執行之勤務性質建議，

及透過訓練可以改善「年齡」次要顯著影響，提出建立標準化黑暗複雜環境(DCEs)尋路行為安全訓練模式、成立制度化專業訓練教官團、建置機關專屬黑暗複雜環境(DCEs)訓練設施等短、中、長程建議，提供各消防機關參考，期有效縮短消防人員處於黑暗及複雜的火場環境尋路時間，提升緊急應變與確保自身安全能力。

數字化中台

為了解決ai網格背景的問題，作者用友雲平臺團隊 這樣論述：

數字化中台不是新事物，但隨著新技術的不斷發展，其註定會在數字化時代大放異彩。本書由用友官方出品，全面闡述了數字化中台的概念和發展歷程，詳述了數字化中台建設的各種業務和技術細節，介紹了數字化中台落地實踐的真實案例和解決方案。本書主要內容包括：數字化中台概述、數字化中台建設、技術平臺、數據中台、智慧中台、業務中台、應用構建平臺、混合雲服務、數字化中台安全體系、數字化體驗和數字化中台案例。本書是一本真正可借鑒、可操作的企業數字化轉型的實戰指導書。 第1章 數字化中台概述 1 1.1 中台發展歷史 1 1.2 中台是什麼 3 1.2.1 中台是一種業務和組織形態 4 1.2.2 中

台是一套技術和業務架構 6 1.2.3 中台是一種文化和理念 9 1.2.4 中台和生態的關係 11 1.3 中台和平臺的區別 12 1.3.1 平臺是什麼 12 1.3.2 平臺vs中台 13 1.4 中台要解決的痛點問題 14 1.4.1 新時代需要的資訊化架構 15 1.4.2 企業數字化轉型的新途徑 16 1.4.3 高品質系統構建的保證 18 1.5 用友中台理念 19 1.5.1 用友和中台的關係 19 1.5.2 基於能力提供的分析 23 1.5.3 基於能力構建的分析 25 1.5.4 持續發展的數字化中台 28 第2章 數字化中台建設 31 2.1 如何構建企業數字化中台

31 2.1.1 中台建設方法 31 2.1.2 中台設計原則 36 2.1.3 中台設計參考 37 2.2 用友中台建設進程 42 2.2.1 用友中台加速建設的背景 42 2.2.2 用友雲中台建設推進 45 2.3 統一能力框架 47 2.3.1 統一能力框架的理念 47 2.3.2 UCF是中台落地的抓手 48 2.4 中台化的企業雲服務平臺 57 2.4.1 基於統一中台內核的完整支撐體系 57 2.4.2 iuap中台架構的有效融合 59 2.4.3 安全性、生態化和能力構建平臺 60 第3章 技術平臺 63 3.1 技術平臺概述及核心能力 63 3.1.1 雲原生理念及核心價值

64 3.1.2 技術平臺的意義及定位 67 3.1.3 雲原生對中國企業的價值 68 3.1.4 技術平臺的核心能力 70 3.2 技術平臺的核心技術棧 72 3.2.1 雲原生技術棧 74 3.2.2 微服務治理 78 3.2.3 容器雲管理 90 3.2.4 DevOps能力 108 3.2.5 分散式鏈路追蹤 119 3.2.6 服務網格 128 3.2.7 分散式日誌 130 3.2.8 混合雲管理 136 3.2.9 自動化測試能力 137 3.2.10 分散式中介軟體能力 146 3.3 用友技術平臺實踐場景 147 3.3.1 雲原生12要素實踐 147 3.3.2 服務高彈

性和高可用 159 3.3.3 保障企業服務不“隔離” 165 3.3.4 精智工業互聯網上雲實踐 168 3.3.5 國產化適配和支持 171 3.4 清理鏡像倉庫遇到的“坑” 171 3.4.1 官方API並不能真正刪除鏡像 172 3.4.2 返回405錯誤碼 172 3.4.3 無用的文件殘留 172 3.4.4 garbage- collect不是事務操作 173 3.4.5 重啟鏡像倉庫才能正常使用 173 3.4.6 兩種清理鏡像倉庫的方案 174 第4章 數據中台 177 4.1 認知數據中台 178 4.1.1 什麼是數據中台 178 4.1.2 數據中台的核心能力 179

4.1.3 數據中台的價值 180 4.2 數據中台建設 182 4.2.1 數據中台的規劃 184 4.2.2 數據彙聚與整合 190 4.2.3 數據治理與實踐 194 4.2.4 數據開發 210 4.2.5 數據分析與挖掘 212 4.2.6 數據服務與應用 219 4.2.7 數據運營 225 4.3 數據的展望 235 4.3.1 數據新技術快速發展 235 4.3.2 數據流通與共用 236 4.3.3 數據服務合規性 237 4.4 用友數據中台的落地 238 第5章 智能中台 240 5.1 認識智能中台 240 5.1.1 智能中台的定義 240 5.1.2 AI應用的

發展趨勢 242 5.1.3 智能中台的核心能力 245 5.1.4 智能中台的價值 249 5.2 智能中台的技術架構 252 5.2.1 智能型機器人技術架構 252 5.2.2 AI工作坊技術架構 255 5.3 智能中台典型應用場景 259 5.3.1 RPA典型應用場景 259 5.3.2 VPA典型應用場景 263 5.3.3 AI工作坊典型應用場景 265 5.4 數據-智能中台的應用場景 272 第6章 業務中台 278 6.1 業務中台概述 278 6.2 業務中台的核心服務 282 6.2.1 社會化商業架構 282 6.2.2 化支撐服務 283 6.2.3 數字化企業

建模 291 6.4 業務中台的關鍵特性 296 6.5 業務中台的規劃與落地 298 6.5.1 業務中台的規劃方法 298 6.5.2 業務中台的落地實踐 301 第7章 應用構建平臺 308 7.1 應用構建平臺概述 308 7.1.1 低代碼開發平臺介紹 308 7.1.2 應用構建平臺的內容 311 7.1.3 低代碼開發平臺的價值 312 7.2 應用構建平臺的能力 314 7.2.1 模型驅動 317 7.2.2 視覺化設計 318 7.2.3 全代碼 326 7.2.4 中台能力連接 329 7.2.5 多端 331 7.2.6 全生命週期管理 333 7.3 應用構建平臺使

用場景和案例 335 7.3.1 使用場景 335 7.3.2 案例 336 第8章 混合雲服務 344 8.1 為什麼要提高企業生態協同效率 344 8.2 混合雲是中國企業未來的常態選擇 347 8.3 混合雲服務提升企業生態協同效率 348 8.4 企業生態協同面臨的挑戰 350 8.5 混合雲服務支援生態協同 351 8.6 企業自建開放生態與實施案例 356 8.6.1 客戶建設目標 358 8.6.2 客戶需求場景 358 8.6.3 專案解決方案 361 8.6.4 項目建設價值 365 第9章 數字化中台安全體系 366 9.1 安全管理體系 366 9.1.1 信息安全性

原則 366 9.1.2 組織環境 368 9.1.3 資訊安全過程管理 371 9.1.4 安全的技術 373 9.2 技術平臺安全 381 9.2.1 帳戶安全 381 9.2.2 身份認證和存取控制 384 9.2.3 資源和物件使用權限 385 9.2.4 微服務安全 386 9.3 業務中台安全 387 9.3.1 帳戶管理 388 9.3.2 許可權管理 388 9.3.3 安全審計 392 9.4 數據中台安全 393 9.4.1 大數據Hadoop平臺安全 393 9.4.2 數據安全 394 9.5 業務構建平臺安全 398 9.5.1 使用安全開發生命週期 398 9.5.

2 選擇安全開發元件 399 9.5.3 模型安全 399 9.5.4 代碼安全 399 9.5.5 開原始程式碼的安全 400 9.6 用友數字化中台安全 401 第10章 數字化體驗 403 10.1 企業數字化轉型中的用戶體驗 403 10.1.1 數字化用戶體驗 403 10.1.2 數字化體驗現狀 404 10.1.3 數字化體驗設計的範圍層次 407 10.1.4 數字化體驗的關鍵因素 408 10.1.5 工具及方法 411 10.2 數字化中台的數字化體驗設計 414 10.2.1 能力化的中台數字化體驗設計 414 10.2.2 UI交互能力的兩個層面和5個維度 415 1

0.2.3 數字化體驗UI交互設計的原則、目標 417 10.3 數字化中台設計語言 417 10.3.1 設計定位 419 10.3.2 設計價值觀 419 10.4 設計的六大核心要素 420 10.4.1 自然/中性 421 10.4.2 淺層次 422 10.4.3 微動 423 10.4.4 彈性空間 424 10.4.5 清晰 425 10.4.6 秩序 426 10.5 標準一致的設計系統 427 10.5.1 什麼是設計系統 427 10.5.2 為什麼需要設計系統 427 10.5.3 設計系統的特點 429 第11章 數字化中台案例 432 11.1 智能製造 432 1

1.1.1 企業經營概況 432 11.1.2 企業資訊化現狀 432 11.1.3 企業核心訴求 433 11.1.4 專案建設內容 434 11.1.5 項目建設價值 436 11.2 數字行銷 436 11.2.1 企業經營概況 436 11.2.2 家居行業變化 437 11.2.3 企業服務痛點 437 11.2.4 企業轉型升級 440 11.2.5 專案建設內容 441 11.2.6 項目建設價值 445 11.3 供應商門戶 446 11.3.1 企業經營概況 446 11.3.2 專案資訊化現狀 446 11.3.3 專案建設內容 447 11.3.4 專案建設情況 450

11.3.5 項目建設價值 451

應用人工智慧於中風患者罹患慢性腎病之風險評估研究

為了解決ai網格背景的問題，作者陳威霖 這樣論述：

隨著科技的進步帶動醫療水準提升，台灣社會人口結構呈現高齡化，高齡人口之眾多死亡原因當中，除慢性病為主要風險因子之一以外;各項疾病中，中風以及慢性腎病這兩項疾病對高齡長者健康影響尤為嚴重; 而中風與慢性腎病的盛行也將對未來台灣醫療體系構成一大隱憂;因此中風與慢性腎病的提前預防與積極治療是目前流行病學研究需審視的一項重大公衛課題。過往雖有研究著墨於中風以及慢性腎病之併發因果關係，卻鮮少有研究運用機器學習方法來建構預測與評估模型。因此，本研究欲嘗試填補這一研究缺口。 以國內某醫療機構資料庫為本研究數據，篩選出罹患中風之病患，以粒子群演算法、基因邏輯斯迴歸演算法、交叉熵演算法、分別計算

出各疾病風險因子的權重值，演算法求得之權重值將個別結合倒傳遞類神經 網路與支援向量機建構風險預測模型;個別結合案例式推理技術建構風險評估系統，並設計疾病評估介面，方便使用者進行併發症的風險評估。提出之模型將預測或評估中風病患是否在未來有伴隨慢性腎病的風險。 各預測模型經 K 疊交互驗證結合網格搜索法進行參數調校後，模型效能皆有83%以上的分類準確度，ROC 曲線下面積皆為0.86以上。經傅立曼檢定發現，預測模型之間在分類準確度與ROC曲線下面積，兩效能衡量指標下，皆存在顯著效能差異，因此各模型進一步使用成對樣本T檢定預測模型之個別優劣性。檢定結果發現，在ROC曲線下面積衡量基礎下，以交叉

熵結合倒傳遞類神經網路最為優異，ROC曲線下面積達0.9514;在分類準確度衡量基礎下，交叉熵個別結合倒傳遞類神經網路與支援向量機之模型表現同等優異，皆有約92.5%的準確度。評估系統經K疊交互驗證評估其效能，各模型皆有90%以上分類準確度，ROC曲線下面積皆有0.9以上。經傅立曼檢定發現，評估系統在導入上述三類演算法權重值下，在分類準確度與ROC曲線下面積，兩效能衡量指標下，皆不存在顯著效能差異;因此，皆適合作為評估系統之權重運算，本研究可提供相關醫療機構做為預測評估之參考依據。