作者: Claire Chang

最簡單-使用findContours OpenCV 中有一個名為 findContours 的函數，可以用來查找圖像中的輪廓。一旦你找到了圖像中的輪廓，你可以使用 approxPolyDP 函數來近似地計算輪廓的形狀。如果你要查找正方形，你可以在這些形狀中尋找具有 4 個頂點的多邊形，這些多邊形應該有相近的邊長和角度。如果你要檢測的正方形不是水平的或垂直的，你可能需要使用角度信息來確定它的方向。

官方教學 Image Segmentation with Watershed Algorithm 官方的範例是一群黏在一起的硬幣 分割出黏在一起的長方形 這篇文章是在討論如何分割出一群黏在一起的長方形 給定一個二值圖像，我們可以應用距離變換 (DT) 並從中獲得分水嶺的標記。理想情況下，會有一個現成的函數來查找區域最小值/最大值，但由於它不存在，我們可以對如何設置 DT 閾值做出一個不錯的猜測。基

HEVC(H265)介紹 HEVC（High Efficiency Video Coding），也稱為H.265，是一種先進的視頻編解碼標準，是H.264/MPEG-4 AVC的後繼者。相較於H.264，HEVC可以提供更高的視頻質量、更少的碼率和更高的壓縮效率。 HEVC採用更高級的壓縮算法，通過增加更多的預測模式、增加更多的參考幀以及使用更高級別的變換和量化技術，實現了更高的壓縮比。在同樣的視

高壓縮比編碼格式AV1介紹 AV1是一種免費、開源的視頻編解碼器，由Alliance for Open Media（AOMedia）聯盟開發。它是H.265（HEVC）的競爭對手，旨在提供更高的壓縮效率和更好的視頻質量。 AV1使用了許多新技術來提高壓縮效率，例如可變帶寬預測、可變塊大小和可變熵編碼等。與H.265相比，AV1在相同的比特率下可以提供更高的視頻質量。同時，AV1還具有更好的自適應流

OBS支持HEVC推流 OBS在v29版本之後支持了HEVC推流，支持利用RTMP的封裝方式來推送H265編碼的串流格式，若電腦沒有可支持硬編碼的GPU，其CPU編碼所採取的編碼方案是QuickSync HEVC。 若是電腦有可支持硬編碼的GPU，則下拉選單會增加該硬件編碼的編碼選項 支持AV1及HEVC的錄影格式 並且可以錄製SVT-AV1、AOM-AV1和HEVC的格式的影片

SRS介紹 SRS是一個簡單高效的實時視頻服務器，支持RTMP/WebRTC/HLS/HTTP-FLV/SRT/GB28181。 是一個運營級的互聯網直播服務器集群並發7.5k+,支持多種轉碼，RTMP->HLS,RTMP->FLV等,支持HTTP回調，RTMP0.1s延時 在HTTP-FLV的低延遲實踐方案上，可以說是繼FMS之後，非常有用心地在更新、維護的一個開源專案 主要開發者很熱心地回答問

3種清晰度評價方法 Tenengrad梯度方法: Tenengrad梯度方法利用Sobel算子分別計算水平和垂直方向的梯度，同一場景下梯度值越高，圖像越清晰。以下是具體實現，這裡衡量的指標是經過Sobel算子處理後的圖像的平均灰度值，值越大，代表圖像越清晰。 Laplacian梯度方法: Laplacian()變換不需要區分圖像的x和y方向計算梯度，從上圖的2種kernel也可以看到其x和y方向是

從本機圖片建立模型的簡單範例 以下為從classify資料夾內載入圖片並建構分類模組的範例。圖片資料夾的結構如下: 其中daisy、dandelion、roses、sunflowers、tulips為標籤名稱，在各個資料夾內為圖片 然後使用 image_dataset_from_directory 函數載入圖片，需要傳遞以下參數： directory：包含圖片的目錄。 labels：標籤的名稱。預

功能介紹 TensorFlow Extended (TFX) 是Google 開發的一個開源框架，用於在TensorFlow 中構建機器學習管道。TFX 的目標是簡化機器學習管道的構建過程，使其能夠更容易地部署和維護。 其中TFX 管道是TFX 中的一個重要部分，它是一種用於組織和管理機器學習工作流的方式。TFX 管道由多個組件組成，每個組件負責執行特定的任務，如數據預處理、訓練、評估等。TFX

實踐概念 使用 TensorFlow 的圖像處理函數，將兩張圖片讀入並進行比對。 比如您可以使用 OpenCV 庫將圖片讀入，然後使用 TensorFlow 庫對兩張圖片進行比對。 您可以使用 TensorFlow 的圖像處理函數，例如圖像縮放、旋轉和鏡像轉換等，對兩張圖片進行預處理。接著您可以使用 TensorFlow 中的數值計算函數，例如 mean square error (MSE) 或

tf.estimator.Estimator 介紹 官方介紹頁面: https://www.tensorflow.org/guide/estimator tf.estimator.Estimator 與 tf.keras.Model 類似，estimator是模型級別的抽象。tf.estimator提供了一些目前仍在為 tf.keras 開發中的功能。包括： 基於參數服務器的訓練 完整的TFX集成

梯度下降法 梯度下降法（英語：Gradient descent）是一個一階最佳化算法，通常也稱為最陡下降法，但是不該與近似積分的最陡下降法（英語：Method of steepest descent）混淆。 要使用梯度下降法找到一個函數的局部極小值，必須向函數上當前點對應梯度（或者是近似梯度）的反方向的規定步長距離點進行疊代搜索。如果相反地向梯度正方向疊代進行搜索，則會接近函數的局部極大值點；這個

取得圖片中可能的目標的位置資訊 要讓模型吐出圖片中目標的座標位置資訊，常用的方法是使用目標檢測 (object detection) 的模型，這些模型通常可以同時預測目標的類別 (class) 和座標位置 (bounding box)。 常用的目標檢測模型有 YOLO (You Only Look Once)、SSD (Single Shot MultiBox Detector) 以及 Faste

Tensorflow的全連接層 對Tensorflow而言，全連接層的類別為: tf.keras.layers.Dense 相關介紹: https://www.tensorflow.org/api_docs/python/tf/keras/layers/Dense 甚麼是全連接層 在 Dense 層中，每個輸入都會對每個輸出進行綜合計算，得到一個輸出值。這個綜合計算包括了對輸入和前一層輸出的矩陣乘

在 TensorFlow 和 Keras 中，可以使用回撥 (callbacks) 來在訓練週期結束時觸發某些操作。回撥是一個類似於函數的物件，可以在訓練過程中的特定時間點被調用。 其中一種回撥叫做 ModelCheckpoint，它能在訓練的某個時間點保存模型的權重。另一種叫做 EarlyStopping，它能在訓練達到一定的準確率後停止訓練。 要在訓練週期結束時觸發回撥，需要在調用 fit()

預先訓練的模型中提取特徵的一種常見方法是使用模型的中間層。例如，如果使用卷積神經網絡 (CNN) 來預訓練圖像識別模型，則可以使用 CNN 的某些中間層（如卷積層或池化層）來提取圖像的特徵。 另外，您可以將整個預先訓練的模型看作是一個特徵提取器。 一種方法是將輸入數據丟入預先訓練的模型中，然後使用模型的最後一層輸出 (通常是分類層) 作為特徵。 最後，您還可以使用深度學習框架中內置的函數（如 Ke

甚麼是二元分類器 二元分類 (binary classification) 是一種機器學習中常見的任務，其目的是從兩個不同類別中將每個數據樣本歸類為其中之一。這種分類方式只有兩個類別，因此其結果是二元的。例如，對於圖像分類問題，二元分類可能用於識別猫和狗的圖像，或者用於識別垃圾郵件和非垃圾郵件的電子郵件。 在二元分類中，我們通常使用一些算法來建立一個模型，如 logistic regression

殘差網路ResNet 殘差網路（Residual Network，簡稱 ResNet）是一種深度卷積神經網路，它被設計用來解決深度神經網路中的梯度消失問題。 在深度神經網路中，隨著層數的增加，梯度有可能會越來越小，導致模型無法有效地學習。殘差網路通過在每一層中引入一個「殘差块」來解決這個問題。殘差块包含兩個卷積層和一個殘差路徑，殘差路徑將輸入數據直接加到輸出數據上。這樣，當殘差块的輸出數據與輸入數

官方網站 https://www.jetbrains.com/pycharm/ 為什麼選擇PYCHARM 所有 PYTHON 工具集中在一處 提高生產力: 在 PyCharm 處理例程時節省時間。專注於更大的事情並採用以鍵盤為中心的方法來充分利用 PyCharm 的許多生產力功能。 獲得智能幫助: PyCharm 了解您的代碼的一切。依靠它實現智能代碼完成、實時錯誤檢查和快速修復、輕鬆的項目導航等

TensorFlow認證計劃課程 以下為介紹網頁 https://www.tensorflow.org/certificate 在這個網頁當中，他們推薦了幾個課程 Udacity 的《TensorFlow 在深度學習中的應用簡介》課程 Coursera 的《DeepLearning.AI TensorFlow Developer 專業證書》 而我選擇了Udacity的課程(因為免費)，而且可以有中

千萬不要使用PM2 PM2是一個在linux裡面管理nodejs程序的好工具，它可以讓nodejs在死掉時自動控制重啟，並可於重啟次數超過時停止重啟 但是由於在K8S之中，這種管理的機制已經交由K8S去管理了，因此，若再於裡面包一層PM2，很容易出問題 可能發生的問題 pm2 一開始起來時會依你的參數去試著把 resource 給最大化，所以會一下子把 resource 吃滿，這會讓 k8s 覺得

交叉熵（cross-entropy）是什麼 交叉熵是一種常用的測量兩個概率分布差異的度量。它可以用來衡量預測模型的輸出結果與真實標籤之間的差異，从而作為訓練模型的損失函數。 交叉熵的计算公式如下： H(y, y_pred) = - ∑ y log(y_pred) 其中 y 和 y_pred 分别表示真實標籤的概率分布和預測模型的輸出概率分布。 交叉熵有一些特性，使它特别适用于衡量分類問題中模型的預

數據增強 數據增強（Data Augmentation）是一種在不增加真實數據的情況下，通過對現有數據進行變化來增加數據集大小的方法。 請參見: https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator 常見的數據增強技術包括: 尺度變換: 對圖像進行放大或縮小。 旋轉: 對

神經元的權重與偏差 在神經網絡中，權重 (weight) 和偏差 (bias) 是模型的兩個重要參數。 權重 (weight) 指的是神經網絡中的輸入層和輸出層之間的連接強度。每個神經元都有一個權重矩陣，表示與該神經元相連的輸入張量的強度。輸入張量與輸出張量之間的權重越大，該神經元對輸出的貢獻就越大。 偏差 (bias) 指的是神經網絡中的偏移量。每個神經元都有一個偏差值，表示該神經元的輸出在不考

什麼是自動求導機制 在 TensorFlow 中，有一種特殊的張量類型叫做梯度張量，可以用於計算模型的梯度。 TensorFlow 的梯度張量是一種特殊的張量，其中包含了模型中每個變量的梯度信息。梯度張量是 TensorFlow 的自動微分機制的基礎，可以通過 TensorFlow 的自動微分機制來計算模型的梯度。 使用方法介紹 使用 GradientTape 類的方法是: 在計算圖的上下文中創建

使用方式 使用keras構建深度學習模型，我們會通過model.summary()輸出模型各層的參數狀況，如下： [crayon-6428198c8493f772994341/] 輸出範例 [crayon-6428198c84944571108243/] 參數意義 在這個輸出中，Total params 表示模型的總參數數量，可以用來反推模型的大小。請注意，模型的大小不僅僅是參數數量的函數，還可能

為什麼要盡量使用Tensorflow的圖像操作功能 因為Tensorflow對GPU的支援度高，盡量完全使用Tensorflow內建的圖像操作功能對圖像做操作，可以避免資料在GPU和CPU之間轉換。 將資料集轉為dataset 可以使用 TensorFlow 的 tf.data.Dataset API 將訓練圖像和標籤轉換為數據集。 首先，需要將訓練圖像和標籤轉換為 TensorFlow 張量：

使用tensorflow-gpu結果耗一大堆MEMORY是為什麼 使用 TensorFlow GPU 版本會耗費較多的記憶體，這是正常的。因為 GPU 設備有自己的內存，我們可以使用 GPU 設備加速計算。但是，這意味著 GPU 設備的內存也必須足夠大，以便容納計算所需的資料。 如果GPU的記憶體不夠大，則tensorflow會改將原本要放在GPU的記憶體內的資料放到CPU的記憶體裡面，若是CPU

使用剪枝法 剪枝是一種常用的方法，用於縮小深度學習模型的大小。在剪枝過程中，可以刪除模型中不重要的權重，以縮小模型的大小。 以下是使用 TensorFlow 2.x 的簡單範例，說明如何在深度學習模型中進行剪枝： [crayon-6428198c850c4737263390/] 訓練過程中使用正則化 正則化是一種常用的方法，用於防止過擬合，並縮小模型的大小。在 TensorFlow 中，您可以使用

更多資訊請見: https://stackoverflow.com/questions/72255562/cannot-import-name-dtensor-from-tensorflow-compat-v2-experimental 編譯器的錯誤訊息 ImportError: cannot import name 'dtensor' from 'tensorflow.compat.v2.exp