ops工程師的問題，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

ACCELERATE：精益軟體與DevOps背後的科學

為了解決ops工程師的問題，作者NicoleForsgren,JezHumble,GeneKim 這樣論述：

　　★榮獲新鄉學院出版獎★ 　　★Amazon分類排行榜Top 1暢銷書★ 　　★Amazon 4.5顆星，上千讀者好評盛讚★ 　　★重構教父Martin Fowler專文推薦★   　　打造高效靈巧技術組織，加速領先群雄稱霸市場！   　　我們可以如何應用科技來驅動商業價值？在過去的很多年裡，我們一直被告知：軟體交付團隊的績效並不重要，無法為我們的公司提供具競爭力的優勢。本書作者透過4年的開創性研究，納入Puppet《DevOps境況報告》所收集的資料，同時利用嚴謹的統計性方法，立志找出測量軟體交付績效的方法，以及何者驅動它。本書呈現了該研究的成果及背後的科學，讓讀者可以採用在自己的組織

中。   　　我們希望當您閱讀此書時，您會發現作為一個技術專家暨技術領導，能讓您組織更上一層樓的要素，即從軟體交付開始。正是透過改善我們交付軟體的能力，組織才可以更快交付出功能，必要時隨機應變、回應合規性與安全性變革，並利用快速回饋以吸引更多顧客，且取悅現有顧客。   　　閱讀本書後，您將了解如何測量團隊績效，並該投資哪些能力來驅動更高的績效。本書值得所有管理階層一讀！   本書特色    　　●揭露了驅動軟體績效的24種關鍵能力 　　●以嚴謹的科學方法了解如何測量團隊績效 　　●第16章之個案研究由Steve Bell及Karen Whitley Bell夫婦所提供　 　　●已授權多種語言版

本：英、德、西、波、俄、日、韓、繁中、簡中   好評推薦 　　 　　「在DevOps 浪潮下，企業無不努力地追逐效能，但如何才能讓自己可以客觀的去度量自己的表現呢? 本書可能是你最好的參考。」——91App 敏捷教練 李智樺   　　「期盼這本 Accelerate 能為你企業的 DevOps Journey 增添更多助力，未來能在各個在地的 DevOps 社群及 DevOpsDays 研討會中聽見屬於你的 DevOps 實踐經驗」——DevOps Taiwan Community 現任志工 / 前 Organizer 陳正瑋   　　「這些調查，以及就這些調查而做的仔細分析，為當今可以大大改

善多數IT組織的一些實踐，提供了最合理的正當性。任何經營IT集團組織的主事者應該要好好看看這些技巧與成果，學以致用改其實踐；而任何與IT集團組織共事者，無論是在組織內部或如我們一般的IT交付公司，都應該尋求這些實踐將其就緒，以及伴隨之持續改善的穩健程序。Forsgren、Humble與Kim已經鋪陳了願景，讓大家知道2017年時高績效的IT組織為何；而且IT從業人員應該執此按圖索驥，加入高績效俱樂部。」——《重構第二版》作者 Martin Fowler   　　「我聽過一些像是『DevOps就是新的Agile』、『Lean（精益）不適用軟體交付』、『當然這個對行動應用團隊有效，他們可是獨角獸』

。當我遭遇這些懷疑論者，我嘗試運用外部案例試圖左右議論，我一路來借助導師（mentor）—要不是有他們在，維持專注可是困難重重。書到用時方恨少，千金難買早知道，我強烈鼓勵您在自己的組織中應用之。我在零售業度過我大部分職涯；在那行，能與時俱進已經越來越是關鍵，而且如今交付軟體已經深植每個組織的DNA。請勿忽略此書中勾勒出來的科學，它將會幫助您加速（accelerate）轉型蛻變成高績效的技術組織。」——Zulily購物平台技術長 Courtney Kissler   　　「除了確鑿地展示DevOps的成果是更快、更便宜以及更安全外，本書還是一本關於穩健調查設計和分析的卓越範例。」——Amazon

雲端架構策略副總裁 Adrian Cockcroft   　　「《Accelerate》一書解釋得極好，不僅說明組織應該進行何種變革，以改善其軟體付效能；而且闡明原因，賦予各層級人們能力去了解如何讓他們的組織更上層樓。」——《Effective DevOps》一書的共同作者 Ryn Daniels

TensorFlow移動端機器學習實戰

為了解決ops工程師的問題，作者王眾磊 這樣論述：

TensorFlow已經成為機器學習的流行框架和工業屆標準，早期的TensorFlow以雲端和資料中心中的機器學習為主，近期的一個趨勢是，逐漸向移動端和設備端轉移。推動這個趨勢的動力包括人們對機器學習理論和認知的提高、演算法及技術的改進、軟體和硬體性能的提高，以及專有硬體的出現等，更主要的是，用戶的需求和越來越豐富的場景需求。現在國內移動用戶已超15億，全球移動用戶已超過51億，2019年IoT裝置數量預計將超過全球人口總數。 我們相信，在未來，雲端和移動端相結合的人工智慧和設備端獨立的人工智慧應用會慢慢成為主流。作為TensorFlow的開發者和使用者，本書作者完整地講解了使用Tensor

Flow進行端到端開發的實例和開發技巧，同時分享了如何使用開源工具進行軟體發展的最佳工程實踐和經驗。本書提供了全方位的視角説明讀者開啟不同的思路，即使把本書作為一本軟體發展和工程開發的書籍來讀，也會使讀者受益匪淺。   王眾磊 TensorFlow的開發者之一，具有二十多年的留學和工作經驗。現定居美國矽谷，長期從事軟體發展工作，發表國際論文及國際專利多項。曾在穀歌等多家大型國際公司及初創企業工作過，有豐富的國內、國際開發及管理經驗。近幾年以移動端開發、邊緣計算、雲計算和機器學習為主，從事開發和管理工作。工作之余喜歡和家人一起去各地旅遊、打高爾夫球、滑雪等。 陳海波 深

蘭科技DeepBlue Technology的創始人，南京工業大學特聘教授，清華大學―深蘭科技機器視覺聯合研究中心管理委員會主任；上海交通大學―深蘭科技人工智慧聯合實驗室管理委員會主任、中南大學―深蘭科技人工智慧聯合研究院專家委員會委員，致力於人工智慧的基礎研究和應用開發，創建的深蘭科學院擁有人工智慧研究院、科學計算研究院、生命及AI腦科學院、自動化研究院和智慧汽車研究院。團隊擁有包括CVPR、PAKDD、IEEEISI等多項國際競賽冠軍成績，在自動駕駛和整車、機器人研發及製造、生物科技、自然語言處理（語義智慧）、資料採擷等領域都有深度佈局。   第1章 機器學習和Tens

orFlow簡述 1 1.1 機器學習和TensorFlow的歷史及發展現狀 1 1.1.1 人工智慧和機器學習 1 1.1.2 TensorFlow 3 1.1.3 TensorFlow Mobile 5 1.1.4 TensorFlow Lite 5 1.2 在移動設備上運行機器學習的應用 6 1.2.1 生態和現狀 7 1.2.2 從移動優先到人工智慧優先 8 1.2.3 人工智慧的發展 9 1.2.4 在移動設備上進行機器學習的難點和挑戰 9 1.2.5 TPU 10 1.3 機器學習框架 11 1.3.1 CAFFE2 11 1.3.2 Android NNAPI 12 1.3.3

CoreML 12 1.3.4 樹莓派（Raspberry Pi） 13 第2章 構建開發環境 14 2.1 開發主機和設備的選擇 14 2.2 在網路代理環境下開發 15 2.3 整合式開發環境IDE 16 2.3.1 Android Studio 16 2.3.2 Visual Studio Code 16 2.3.3 其他IDE 18 2.4 構建工具Bazel 18 2.4.1 Bazel生成調試 19 2.4.2 Bazel Query命令 20 2.5 裝載TensorFlow 20 2.6 文檔 25 第3章 基於移動端的機器學習的開發方式和流程 26 3.1 開發方式和流程

簡介 26 3.2 使用TPU進行訓練 28 3.3 設備端進行機器學習訓練 35 3.4 使用TensorFlow Serving優化TensorFlow模型 41 3.4.1 訓練和匯出TensorFlow模型 42 3.4.2 使用標準TensorFlow ModelServer載入匯出的模型 50 3.4.3 測試伺服器 50 3.5 TensorFlow擴展（Extended） 54 第4章 構建TensorFlow Mobile 55 4.1 TensorFlow Mobile的歷史 55 4.2 TensorFlow代碼結構 55 4.3 構建及運行 61 4.3.1 代碼的流

程 67 4.3.2 代碼的依賴性 68 4.3.3 性能和代碼跟蹤 69 第5章 用TensorFlow Mobile構建機器學習應用 71 5.1 準備工作 71 5.2 圖像分類（Image Classification） 74 5.2.1 應用 74 5.2.2 模型 85 5.3 物體檢測（Object Detection） 87 5.3.1 應用 87 5.3.2 模型 92 5.4 時尚渲染（Stylization） 95 5.4.1 應用 95 5.4.2 模型 96 5.5 聲音識別（Speech Recognization） 96 5.5.1 應用 96 5.5.2 模型

99 第6章 TensorFlow Lite的架構 101 6.1 模型格式 102 6.1.1 Protocol Buffer 102 6.1.2 FlatBuffers 105 6.1.3 模型結構 112 6.1.4 轉換器（Toco） 113 6.1.5 解析器（Interpreter） 119 6.2 底層結構和設計 123 6.2.1 設計目標 123 6.2.2 錯誤回饋 124 6.2.3 裝載模型 125 6.2.4 運行模型 126 6.2.5 定制演算子（CUSTOM Ops） 128 6.2.6 定制內核 132 6.3 工具 133 6.3.1 圖像標注（labe

l_image） 133 6.3.2 最小集成（Minimal） 143 6.3.3 Graphviz 143 6.3.4 模型評效 148 第7章 用TensorFlow Lite構建機器學習應用 151 7.1 模型設計 151 7.1.1 使用預先訓練的模型 151 7.1.2 重新訓練 152 7.1.3 使用瓶頸（Bottleneck） 154 7.2 開發應用 158 7.2.1 程式介面 158 7.2.2 執行緒和性能 162 7.2.3 模型優化 163 7.3 TensorFlow Lite的應用 170 7.3.1 聲音識別 173 7.3.2 圖像識別 177 7.4

TensorFlow Lite使用GPU 178 7.4.1 GPU與CPU性能比較 178 7.4.2 開發GPU代理（Delegate） 178 7.5 訓練模型 182 7.5.1 模擬器 183 7.5.2 構建執行檔 183 第8章 移動端的機器學習開發 186 8.1 其他設備的支援 186 8.1.1 在iOS上運行TensorFlow的應用 186 8.1.2 在樹莓派上運行TensorFlow 189 8.2 設計和優化模型 190 8.2.1 模型大小 191 8.2.2 運行速度 192 8.2.3 視覺化模型 196 8.2.4 執行緒 196 8.2.5 二進位檔

案大小 197 8.2.6 重新訓練移動資料 197 8.2.7 優化模型載入 198 8.2.8 保護模型檔 198 8.2.9 量化計算 199 8.2.10 使用量化計算 202 8.3 設計機器學習應用程式要點 207 第9章 TensorFlow的硬體加速 209 9.1 神經網路介面 209 9.1.1 瞭解Neural Networks API運行時 210 9.1.2 Neural Networks API程式設計模型 211 9.1.3 NNAPI 實現的實例 213 9.2 硬體加速 222 9.2.1 高通網路處理器 223 9.2.2 華為HiAI Engine 22

9 9.2.3 簡要比較 235 9.2.4 開放式神經網路交換格式 236 第10章 機器學習應用框架 237 10.1 ML Kit 237 10.1.1 面部識別（Face Detection） 242 10.1.2 文本識別 247 10.1.3 條碼識別 248 10.2 聯合學習（Federated Learning） 248 第11章 基於移動設備的機器學習的未來 252 11.1 TensorFlow 2.0和路線圖 252 11.1.1 更簡單的開發模型 253 11.1.2 更可靠的跨平臺的模型發佈 254 11.1.3 TensorFlow Lite 254 11.1

.4 TensorFlow 1.0 和TensorFlow 2.0的不同 255 11.2 人工智慧的發展方向 255 11.2.1 提高人工智慧的可解釋性 255 11.2.2 貢獻社會 256 11.2.3 改善社會 258   2018年，我有很長一段時間在中國和美國兩地跑，同時在國內工作和生活了比較長的一段時間，這是我近二十年來第一次和國內的開發者一起長時間工作。在享受各種美食之外，對國內的開發、產品和管理有了全新的瞭解和認識。 說起寫書的起源，我本來的想法只是寫一點可以作為國內工程師培訓教材的東西。2018年初，TensorFlow作為一個技術熱點，逐漸普及到機

器學習應用開發的各個方面，但是對於TensorFlow在移動端的開發和應用還處於初始階段。我當時也剛剛結束一個TensorFlow項目，想把這些經驗和想法沉澱一下。於是我就把以前寫的筆記和日誌重新整理，添加一些內容並修改了文字，基本形成了一個原始版本。 後來，遇到博文視點的南海寶編輯，通過商談，出版社欣然同意把這些資料整理出書。我的筆記和日誌的內容很多和代碼緊密相關，其中很多內容後來演變成了文檔，我覺得這對初學者和有經驗的開發者都是一個很好的參考，至少可以提供另外一個視角，讓開發者多方面瞭解TensorFlow。所以，我就開始寫作，前後花費了近兩年的時間。 我是一邊寫作一邊工作的，在這個過

程中很快就遇到了兩個很大的挑戰。 第一是文字。我的筆記都是英文的，要把這些轉換成中文，我借助了谷歌翻譯，雖然翻譯後的文字有很多需要修改，但至少省下了不少打字的時間。另外，就是專有術語的翻譯，由於我對中文的專業術語不熟悉，所以即使簡單的術語也要斟酌確定，這也花費了一些時間。如果讀者在文字中發現一些奇怪的說法，還請見諒，我和編輯雖然盡了最大的努力，可能還是會有很多遺漏。 第二是重新認識和瞭解了國內開發的方方面面。我在美國和國內的開發者也有不少接觸，我想在兩邊工作應該不會有什麼差別，可實際工作起來還是有很多不同和挑戰，感觸頗深。首先是技術層面。開源的理念和軟體在國內滲透到各個方面，幾乎所有互聯網

公司都是從使用開源軟體開始搭建自己的產品。由於穀歌在開源社區的貢獻和影響力，國內普遍對穀歌的好感度很高，我也同享了這個榮耀。而且，很多公司和開發者也把對開源社區做出貢獻看作責任和榮耀，這是一個很好的趨勢，中國很快會發展出自己的開源生態和社區。 關於開發環境和工程師文化，我想提一下兩邊對新員工培訓的區別。在國內對員工的培訓中，職業道德培訓和公司文化的培訓占了很大一部分。而在矽谷，至少像穀歌、臉書這些公司，培訓中技術培訓占了很大一部分，基本是一周的培訓後，員工就要進行實際的工作，而國內很多公司的新員工第二周才開始技術工作。這裡我能充分感受到中美公司之間的差別。 另外是開發管理方法，由於管理方法

的不同，實際的工作中要做相應的改變。比如國內對開發和產品的進度的管理是非常嚴格的。但是，這種嚴格大都體現在層級的彙報關係上，而不是對技術細節的掌控和指導上。谷歌的工程師會經常以代碼的提交作為一個工程開始和結束的標誌，這在國內公司很少見到。 我希望把這些經驗、想法和體會能或多或少體現在這本書裡。比如，使用Markdown寫文檔，能使寫文檔變成一件不是很煩瑣的事，可以讓作者更專注于內容的寫作，而不是花費太多時間在操作編輯器上。本書就是全部用Markdown寫作完成，再轉換成Word文檔的。比如，使用Bazel編譯，需要對代碼的依賴有清晰的定義。可能很多工程師不會特別在意這點，但是通過它，工程師可

以非常清楚地瞭解代碼重用和引用的狀況，避免隨意的代碼重用，並提高代碼的品質。我希望通過這些在書中給讀者傳達一些不同的開發經驗。 總之，我會把這本書作為2018年工作和生活的一個紀念。看到書中的各個章節，我就可以聯想起寫書時發生的許多人和事。但是，真的由於時間和我自己的能力非常有限，書中一定會有很多錯誤和瑕疵，還望讀者能寬容和諒解。 最後，要感謝我的家人能支持和陪伴我度過2018年，我和我的母親一起度過了2018年春節，是近20年來在國內度過的第一個春節。還要感謝我的妻子，她非常支持我，並幫助我寫完這本書。還有我的兩個女兒，總是能給我帶來無盡的快樂，還要感謝深蘭科技的創始人陳海波先生和首席戰

略官王博士，兩位幫助我完成這本書，並提出了很多意見。 另外，感謝博文視點給我這個機會出版這本書，希望通過這本書能結識更多的開發者。還要感謝南海寶編輯在本書寫作和出版過程中給予的指導和鼓勵。  

美國在南海地區非戰爭軍事行動之研究(2009-2020)

為了解決ops工程師的問題，作者蕭介源 這樣論述：

美國在中東冗長的打擊恐怖主義戰爭中，國力及財力的巨大損耗使得美國進而將戰略重心轉向亞洲，其戰略方針也從歐巴馬時期的「重返亞洲」、「亞太再平衡」到川普時期的「印太戰略」，運用政治外交、經濟貿易雙軸的方式與印太國家簽訂雙邊、多邊合作與區域的經濟合作夥伴關係，提升亞太地區事務的主導權及地區的影響能力，重整美國的霸權地位。而中國的崛起也是美國戰略東移的考量因素，中國也是運用經濟路線(一帶一路)、軍事路線(亞丁灣護航、聯合國維和部隊、海外基地軍事建設)同步由太平洋經由麻六甲海峽向印度洋擴展，而這個同步路線的海上起點就在南海，南海位居太平洋與印度洋間的戰略要衝，也是亞洲各國石油運輸的重要海上交通線。近年

來南海區域內各聲索國對南海島礁主權聲張的爭奪越演越烈，中國也積極在南海各島礁展開填海造陸工程，並構建軍事基地與機場，其明顯企圖必然是確保在南海的軍事優勢及維護南海主權利益。美國也認知南海的戰略地位，表達南海地區的穩定將影響美國國家利益，故積極的介入南海的爭議當中，運用國際法與非戰爭軍事行動手段在南海地區遂行自由航行/飛航任務與聯合軍事演習，阻斷中國向外擴張野心。