protocol實驗中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列必買單品、推薦清單和精選懶人包

咖啡教父史考特烘豆實作聖經：超過300種烘焙機實戰經驗；掌握燃氣與溫升率、降低不良比，熟豆更臻完美

為了解決protocol實驗中文的問題，作者史考特．拉奧 這樣論述：

暢銷書《咖啡烘豆的科學》進階實作篇！ 咖啡教父史考特．拉奧鑽研6年實戰大作， 全球咖啡迷引頸期盼，最強烘豆聖經！ 【特別收錄】臺灣版專序＆訪談影片   　　►每次進貨的生豆大小、形狀、含水率都不一樣，怎麼處理？ 　　►烘焙曲線和參數如何設定？入豆與下豆溫度各是多少？何時應該降火避免失敗？  　　►烘豆時如何調節，最有利熟豆風味發展？如何有效提高烘焙成果的穩定度？    　　烘豆，決定了一杯咖啡的品質與風味！ 　　更臻完善的烘豆技術，最能確保每顆咖啡熟豆的品質一致！   　　咖啡教父史考特．拉奧暨暢銷書《咖啡烘豆的科學》之後，再次推出進階實作篇。 　　本書專為咖啡烘豆熟手所寫，因此定位為咖啡

烘豆的「實作聖經」。 　　熟悉咖啡烘豆技術者，都已知烘豆機的基本部位、常見專有名詞， 　　同時對發展期比例（DTR）與豆溫上升率曲線（ROR），有稍微模糊但不陌生的印象。   　　書中企圖提供一個「有效掌握咖啡烘豆發展」的系統概念，同時盡可能將瑕疵減至最低。 　　咖啡烘豆者若確實掌握此最佳實務的各項要領，再加上一點點的練習，就一定能成功。   　　這套系統已在作者數百位顧客身上順利運作，其中許多都是全球最受景仰的烘豆師； 　　秉持開放心態接受這套系統，並付出時間與努力，即可習得更臻完美的烘豆實作經驗。   　　★超過300種烘豆機實測，咖啡教父實戰經驗大公開   　　烘豆無疑是一門藝術，烘焙過

程中的各種細微調整， 　　將決定熟豆品質，並影響咖啡風味。   　　本書是世界咖啡三大權威之一史考特．拉奧，繼《咖啡烘豆的科學》後， 　　潛心鑽研6年，實際操作、測試超過300種烘豆機（比前作多出3倍）， 　　並以數百份烘焙數據為基礎，經歷多次實驗、研究、品嘗與杯測， 　　又一次推出的集大成之作；提供每位咖啡烘豆熟手必備知識與關鍵技巧， 　　有效降低不良比，並維持熟豆品質一致。   　　史考特．拉奧說： 　　「此書是我的經驗結晶，希望在分享所學心得後，能對你們的烘豆技術有所助益。」   　　★全面進階燃氣、控溫、氣流等知識與做法，在家烘出高品質咖啡豆 　　拉奧親自操作300台烘焙機，完善各種烘

豆機制與原理 　　本書共十九章，最初幾章討論烘豆所需的知識與硬體配件分析，並提出大師級的建議。 　　中間的章節則描述如何調整烘豆機、怎麼烘出穩定的成果，以及科學地分析烘焙曲線。 　　最後數章囊括許多進階概念，包括火力、烘焙曲線控制、熟豆品質管理及常見問答。   　　►生豆處理：生豆的物理性質如何影響烘焙過程？尺寸、密度、含水率等又該怎麼看？ 　　►進階烘豆教學：重新校定鍋爐每分鐘轉數、氣流設定、瓦壓、調整燃燒器等。 　　►參數設定：鍋次豆量、入豆溫度、烘焙時間怎麼拿捏？ 　　►曲線判讀：看懂烘豆過程中的發展期比例（DTR）與豆溫上升率曲線（ROR）等。 　　►樣本測試：包含熟豆的外觀色澤、重量

逸失的判斷，以及烘豆完成後的杯測實作。 　　►常見問答：數據曲線平滑、豆溫探針過粗、豆量差異過大、鍋間流程不一致怎麼辦？   　　讀完這本書，便能習得大師級的烘豆經驗結晶， 　　有效降低不良比、提升風味、穩定品質，在家烘出最優質的咖啡熟豆。   本書特色   　　◎世界咖啡三大權威史考特．拉奧烘豆實戰大作，全球咖啡迷引頸期盼，最強烘豆聖經！ 　　◎拉奧親自操作300台烘焙機，完善各種烘豆機制與原理，教你讀懂關鍵數據、圖表與曲線。 　　◎大師級技法大公開，有效降低不良比、提升風味、穩定品質，在家烘出優質咖啡熟豆。   專業推薦   　　2020年外媒評鑑臺灣最佳咖啡館mojocoffee創辦兼主

理人、咖啡講師／陳俞嘉Scott   專文推薦   　　吳則霖／2020年世界最佳咖啡館Simple Kaffa共同創辦人、2016年世界咖啡師大賽冠軍 　　林東源／GABEE.創辦人、首屆世界咖啡大師比賽臺灣冠軍 　　劉邦禹／WCE世界咖啡杯測師大賽世界冠軍、WCE世界咖啡沖煮大賽臺灣冠軍 　　韓懷宗／《咖啡學》系列作者 　　專業推薦（按姓名首字筆畫排序）

TensorFlow移動端機器學習實戰

為了解決protocol實驗中文的問題，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。  

行動裝置教育方案於腦中風患者之成效

為了解決protocol實驗中文的問題，作者余秋菊 這樣論述：

背景與目的：衛生福利部統計2019年腦血管疾病是造成臺灣地區民眾十大死因的第4名，腦中風發生的6個月內有超過25%的病患導致嚴重失能，慢性疾病皆是腦中風的致病危險因子，針對這些疾病的治療及控制是可降低腦中風的發生率，故需長時間監控及配合慢性疾病藥物治療，改變飲食習慣及建立良好的健康生活型態，提供病患出院返家後疾病相關知識。護理人員扮演著教育者的角色，傳統護理指導大部份給予紙本單張及口頭教育，然而現今資訊科技的進步及行動網路3C產品的普及化，可提供即時、個別化，是目前臨床照護上最即時及有效率的方式。因此，本研究探討行動裝置教育方案於腦中風病患提升自我照顧知識、自我效能及避免憂鬱之成效。研究方法

：本研究在臺灣北部某醫學中心之神經內科病房及老年醫學病房進行收案，採兩組前、後測，隨機、單盲之實驗性研究設計，收案82位，包括實驗組40位(行動裝置教育方案)及控制組42位(常規護理)，分別於住院48小時內進行前測及介入，出院前24小時進行後測之施測。研究問卷包含腦中風自我照顧知識量表(Stroke Self-Care Knowledge)、腦中風自我效能量表(Stroke Self-Efficacy Questionnaire, SSEQ)、貝克憂鬱量表(Beck Depression Inventory, BDI)、健康指導內容滿意度之視覺類比量表(Visual Analogue Scal

e, VAS )，以套裝統計軟體SPSS 20.0版進行統計分析，進行描述性統計及推論性統計。描述性統計以次數分配、百分比、平均數、標準差、最大值及最小值呈現研究對象之人口學資料及疾病特徵；推論性統計以獨立樣本t檢定、卡方比較兩組在人口學基本屬性、疾病特徵、腦中風自我照顧知識、腦中風自我效能、憂鬱及介入措施滿意度之差異，運用廣義估計方程式(generalized estimating equation, GEE)檢定兩組之前、後測腦中風自我照顧知識、腦中風自我效能及憂鬱改善成效，再以獨立樣本t檢定統計比較兩組介入措施滿意度之差異。研究結果：本研究之研究對象為老年、男性、已婚、退休、高中職、佛道

教為主，共病指數(Charlson Comorbidity Index, CCI)平均值為2.28，過去病史以高血壓為主、其次為糖尿病。行動裝置教育方案介入後兩組腦中風自我照顧知識於組別主效果( β = 6.88, SE = .78, p < .001)、時間主效果( β = -6.15, SE = .71, p < .001)、組別與時間交互作用( β = -6.93, SE = .89, p < .001)皆呈統計學上顯著差異；腦中風自我效能(SSEQ)於組別主效果( β = 16.80, SE = 2.46, p < .001)、時間主效果( β = -33.66, SE = 2.78,

p < .001)、組別與時間交互作用( β = -6.46, SE = 4.02, p < .001)皆呈統計學上顯著差異；憂鬱(BDI)改善成效於組別主效果( β = -7.29, SE = 1.50, p < .001)、時間主效果( β = 8.37, SE = 1.77, p < .001)、組別與時間交互作用( β= 5.28, SE = 2.09, p < .001)皆呈統計學上顯著差異；以獨立樣本t檢定統計方式比較實驗組(行動裝置教育方案)與控制組(常規護理)的介入措施滿意度，呈統計學上顯著差異( p < .05)，即表示此行動裝置教育方案介入措施的滿意度比常規護理有明顯成

效。結論：本研究結果證實透過行動裝置教育方案於腦中風患者，可以有效提升腦中風自我照顧知識、腦中風自我效能程度成改善憂鬱程度，行動裝置教育方案較傳統口頭健康指導有較高的介入滿意度。臨床與實務應用：在實證依據基礎下，使用行動裝置教育方案於腦中風患者之成效更較傳統口頭健康指導成效佳，且具有統計學上顯著差異。因應3C化數位時代來臨，手機及網路使用普及化，希望能藉由腦中風行動裝置教育方案方便性、健康指導內容生動性，且有具個別性的優點，能促進提升臨床護理人員在病患住院期間提供返家後健康指導內容，更能減少的時間人力成本。對於需要長期復健治療之腦中風患者更能提供持續性的照護內容，藉由操作行動裝置教育方案過程，

更可以促進患者與家人之間的親情互動，值得在臨床上推廣。