走在汽車革命的路上論文書籍站
ar-67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
ar-67的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦黃安明晏少峰寫的 元宇宙：開啟虛實共生的數字平行世界 和李金洪的 PyTorch深度學習和圖神經網路（卷2）--開發應用都 可以從中找到所需的評價。
這兩本書分別來自中國經濟 和人民郵電所出版 。
中原大學 資訊管理研究所 廖秀莉所指導 徐聖祐的 APP類型與AR導入對使用意願之影響 （2020），提出ar-67關鍵因素是什麼，來自於擴增實境、AR社交、AR工具、沉浸體驗、空間存在感、感知侵入性、功利主義、使用意願。
而第二篇論文高雄醫學大學 藥學系碩士班 方逸萍所指導 林欣哲的 血清白蛋白奈米製劑攜帶SN-38應用於三陰性乳癌之前導測試 （2018），提出因為有 三陰性乳癌、白蛋白奈米製劑、愛萊諾迪肯(Irinotecan)、7-ethyl-10-hydroxycamptothecin(SN-38)的重點而找出了 ar-67的解答。
元宇宙：開啟虛實共生的數字平行世界
為了解決ar-67 的問題，作者黃安明晏少峰 這樣論述：
2021年是元宇宙元年，預示著人類社會正在從物理世界向數位世界遷徙，終進入虛擬與現實融合交織的數位平行世界。5G、區塊鏈、VR/AR /MR、空間計算、AIoT、大資料、3D引擎等前沿技術的深度融合，構築起元宇宙的“數位底座”。 作為數字文明的高階形態，元宇宙不僅在全球範圍內掀起新一輪的科技與資本浪潮，甚至對人類社會經濟系統、治理體系、倫理價值等產生深刻而廣泛的影響。在不遠的將來，我們的工作、學習、社交、娛樂、消費都將在元宇宙世界中獲得立體化、沉浸式體驗。 本書對元宇宙的前世今生與演變脈絡進行了系統介紹，分別從“理念篇”“產業篇”“實踐篇”“賦能篇”“未來篇”五大維度，全面闡述元宇宙的
技術架構、產業生態與實現路徑，細緻梳理了全球科技企業在元宇宙領域的實踐與佈局，深度解讀元宇宙產業鏈中的創業與投資機會，並試圖描繪元宇宙在區塊鏈、遊戲、社交、內容、電商、行銷、建築、設計等各行業的應用場景，以期為讀者勾勒出一幅元宇宙世界的未來圖景。 黃安明 元宇宙（深圳）未來科技集團創始人兼CEO、元宇宙認知學院院長、大風吹元宇宙公會創始人、新銳投資分析師、數字貨幣領域資深研究者，多年來致力於區塊鏈技術開發、金融投資和實踐創新，擔任《星球日報》《金色財經》等知名區塊鏈媒體專欄作者，擅長宏觀經濟趨勢分析，在元宇宙、區塊鏈、NFT、DeFi等領域有著深刻的洞察與豐富的實踐經驗。
晏少峰 私人理財規劃師、信匯資本創始人兼CEO、西嶺投資創始合夥人、中國少林書畫研究會書畫院副院長，畢業于中南財經政法大學國際金融專業，美國北方中央大學財富管理碩士、亞利桑那大學金融管理學博士，曾先後在銀行、房地產、財富管理等知名大型企業擔任高管職位，精通各類金融產品，在理財規劃、資產配置、財富管理、財富傳承等金融投資領域具有豐富的實戰經驗。2021年，元宇宙引爆全球資本市場，晏少峰及其投資團隊在元宇宙領域上積極佈局，投資版圖涉及VR設備、區塊鏈、遊戲、社交等多個行業。 第一部分 理念篇：開啟元宇宙新紀元 第1章.元宇宙：打破虛擬與現實的次元壁./ 3 01.《雪崩》啟示錄：元宇宙大爆
炸./ 3 02.《頭號玩家》裡的“綠洲”世界./ 9 03.元宇宙的本質與底層邏輯./ 12 04.演變之路：元宇宙的終極形態./ 17 第2章.核心要素：穿透元宇宙的未來圖景./ 21 01.虛實交織的沉浸式體驗./ 21 02.使用者創造並驅動的內容生態./ 25 03.立體式的社交網路體系./ 27 04.去中心化的經濟系統./ 29 05.多元化的元宇宙文明生態./ 31 第3章.數字躍遷：通向元宇宙的技術路徑./ 34 01.網路環境：元宇宙的通信基礎./ 34 02.虛擬介面：從XR到元宇宙./ 36 03.資料處理：AI算力基礎設施./ 39 04.認證機制
：虛擬數位資產及交易./ 41 05.內容生產：數字孿生與體素建模./ 43 第二部分 產業篇：元宇宙的生態圖譜 第4章.生態全景：元宇宙產業鏈的七個層次./ 47 01.體驗：“非物質化”的虛擬世界./ 47 02.發現：構建元宇宙社區生態./ 49 03.創作者經濟：技術引爆創意革命./ 51 04.空間計算：數字孿生的鏡像世界./ 53 05.去中心化：區塊鏈、DeFi與 NFT./ 55 06.人機界面：革命性的交互體驗./ 57 07.基礎設施：元宇宙的技術底座./ 60 第5章.產業生態：元宇宙時代的紅利風口./ 63 01.硬體層面：從概念到現實的載體./
64 02.軟體層面：元宇宙底層技術基石./ 67 03.內容層面：“遊戲 社交”的崛起./ 71 04.交易層面：開啟虛擬資產新世界./ 73 第6章.理想 VS現實：元宇宙的機遇與挑戰./ 76 01.超級賽道：引爆全球資本市場./ 76 02.元宇宙產業佈局的典型玩家./ 79 03.現實困境：資本、技術與倫理./ 83 04.社會治理：元宇宙的未來之戰./ 87 第三部分 實踐篇：科技與資本的盛宴 第7章.美國科技企業的元宇宙佈局與實踐./ 95 01.Facebook：更名“Meta”背後的野心./ 95 02.英偉達：Omniverse基礎設施平臺./ 100 0
3.微軟：基於數字孿生的企業元宇宙./ 104 04.UnitySoftware：搭建完整的 XR生態./ 108 05.Decentraland：虛擬領地的探索者./ 111 第8章.中國科技企業的元宇宙佈局與實踐./ 115 01.騰訊：“全真互聯網”戰略佈局./ 115 02.百度：推出 VR 2.0產業化平臺./ 119 03.阿裡巴巴：達摩院 XR實驗室./ 122 04.位元組跳動：搭建 VR生態圈./ 125 第9章.掘金時代：元宇宙世界的創業機會./ 129 01.VR/AR：開啟下一代計算平臺./ 129 02.泛娛樂：內容經濟時代的來臨./ 132 03.
虛擬社交：打造沉浸式社交體驗./ 135 04.虛擬偶像：技術驅動的 IP變現./ 137 第四部分 賦能篇：元宇宙的應用場景 第10章.元宇宙 區塊鏈：創造數字新世界./ 143 01.區塊鏈：元宇宙的底層技術./ 143 02.分散式資產流通及交易./ 146 03.基於區塊鏈的分散式識別字./ 148 04.分散式治理與決策機制./ 150 第11章.元宇宙 遊戲：重構遊戲產業格局./ 152 01.遊戲：元宇宙的基礎形態./ 152 02.沉浸式、多元化的遊戲體驗./ 154 03.始于遊戲，不止於遊戲./ 156 04.元宇宙時代的遊戲行銷變革./ 160
第12章.元宇宙 電商：驅動傳統電商變革./ 164 01.元宇宙時代的購物新體驗./ 164 02.VR購物：重構人、貨、場的關係./ 167 03.NFT電商：下一個超級風口./ 170 04.區塊鏈在電商領域的應用./ 174 第13章.元宇宙 行銷：席捲全球的行銷場景./ 177 01.元宇宙重構全球行銷模式./ 177 02.“元宇宙 行銷”的應用場景./ 180 03.VR行銷：打造沉浸式行銷體驗./ 182 04.VR技術在各領域中的行銷實踐./ 186 第14章.元宇宙 建築：未來的建築設計師./ 191 01.虛擬世界裡的“網際空間” / 191 02
.元宇宙語境下的建築美學./ 193 03.未來造夢師：全新的職業內涵./ 196 第五部分 未來篇：科幻與現實的邊界 第15章.星辰大海：關於元宇宙的終極想像./ 201 01.影視作品中的元宇宙幻想./ 201 02.文學作品中的元宇宙幻想./ 206 03.遊戲作品中的元宇宙幻想./ 209 04.動漫作品中的元宇宙幻想./ 213 05.娛樂作品中的元宇宙幻想./ 216 第16章.奇點臨近：技術、文明與人類未來./ 219 01.元宇宙與後人類社會./ 219 02.第三次生產力革命的來臨./ 222 03.元宇宙如何改變我們的生活？./ 225 04.使用
者協作、虛擬經濟、加速互聯./ 227 第17章.未來已來：元宇宙重塑數字經濟體系./ 231 01.低代碼開發與數位化變革./ 231 02.智慧科技新物種的爆發./ 233 03.未來的開放型網路社區./ 235
APP類型與AR導入對使用意願之影響
為了解決ar-67 的問題，作者徐聖祐 這樣論述：
近幾年開始，許多領域、品牌開始導入擴增實境的技術，讓使用者在試用及瀏覽商品時產生更身歷其境的感覺，也可以減少實際商品與原本想像兩者間的落差感。工具類型的應用，主要是因為工具本身就是隨著生活中的需求而出現的，因此工具可能會需要比較高度的實作體驗功能，這時如果能在使用者使用工具的過程中增加兩者之間的互動性與實用性，便逐漸成為一個趨勢；社交類型的應用，我認為算是一個蠻有挑戰的部分，因為現今大部分人都已經習慣使用目前已有的app，但如果能將擴增實境的功能加入我們原本已習慣的社交類型app，可能可以增加互動性跟趣味性，甚至可以帶給使用者更多的使用空間，便也可能成為一個趨勢。因為這些需求，所以本研究以探
討使用者體驗具有擴增實境技術的社交及工具類型的app後影響使用意願之因素，並採用實驗問卷法，最後的研究結果表示，沉浸體驗是會對「空間存在感」跟「感知侵入性」產生正向影響的，而「空間存在感」跟「功利主義」也會進一步對使用者的「使用意願」產生影響。app類型中具有AR的工具類型app對於「沉浸體驗」、「空間存在感」的影響程度是較明顯的，具有AR的社交類型app目前是會讓使用者感受到較高的「感知侵入性」的。根據AR與無AR類型app兩者的比較統計分析結果顯示「沉浸體驗」、「功利主義」及「使用意願」三個構面是具有顯著影響的，且目前都是比較傾向於無AR類型的app。
PyTorch深度學習和圖神經網路（卷2）--開發應用
為了解決ar-67 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
血清白蛋白奈米製劑攜帶SN-38應用於三陰性乳癌之前導測試
為了解決ar-67 的問題，作者林欣哲 這樣論述：
三陰性乳癌(Triple negative breast cancer)是所有乳癌中預後較不佳的亞型，並且市面上尚未有批准針對三陰性乳癌之藥物，因此三陰性乳癌在臨床治療上有迫切尋求突破之必要。白蛋白(Albumin)是具有藥物傳遞系統開發潛力的材料，因為白蛋白源於生物體，在相同物種的前提下，白蛋白預期會展現出高度生物相容性，加上白蛋白具有攜帶親水性或親油性物質的能力，使得成白蛋白為製作藥物傳遞系統的理想材料。若使用白蛋白加以製成奈米藥物傳遞系統，即便不用主動標靶加以修飾，此奈米顆粒也預期藉由滲透與滯留效應(Enhanced permeability and retention effect)
累積於目標組織中。SN-38是具有高度細胞毒殺性之半合成物質，是臨床廣泛使用的化療藥-愛萊諾迪肯(Irinotecan)之活化態代謝物，但由於愛萊諾迪肯餘生體內轉換成SN-38的轉換率不佳，使得活化態的SN-38成為研究重點。綜合上述分析，促成了我們初步評估白蛋白奈米製劑攜帶SN-38 應用於三陰性乳癌的可行性。在本篇研究結果中，我們建立了白蛋白奈米顆粒攜帶SN-38的製程，並且進一步分析此奈米顆粒的物理性質、體外安全性、細胞毒殺性以及藥物動力學。研究結果顯示，我們可以控制白蛋的奈米顆粒於適當的大小範圍，並且於細胞實驗中發現，使用此製程的空白白蛋白奈米顆粒對細胞沒有毒性。反之，攜帶SN-38的
白蛋白奈米顆粒具有與SN-38溶液相當的抗癌細胞效果。於藥物動力學實驗中發現，攜帶SN-38的白蛋白奈米顆粒，並無增進排除半衰期，但有累積於臟器的趨勢。總體而言，本篇研究為白蛋白製劑的前期研究，以牛血清白蛋白(Bovine serum albumin)作為製備材料。近期我們將著手於以人源白蛋白(Human serum albumin)並加以改善製程，以利更進一步評估其藥動及藥效學。