Math.py

最近在進行 PHP 的一個開發項目，在測試時剛好遇到一個 Bug，測試了很久，始終找不到真正討人厭的那隻蟲，一直到最後回家後進行一些簡單的測試才知道問題出在哪裡。查了一下，發現其實不乏有人問相同的問題，因此想說隨手做個小短篇紀錄一下。

IOT 的應用在現今的社會上已經十分普遍，智慧家庭、智慧工廠、....等 IOT 應用已經多不勝數，然而其中最關鍵的部件便是 Gateway (閘道器)，一台小小的黑色盒子，除了接收感應器接收到的資料外，還能接收外部指令對設備進行調整，甚至，我們還能在其中佈署 AI 模型進行邊緣運算，直接進行模型的推論。

然而，大多數的人對於 Gateway 的運作幾乎不甚了解，本文將會著重在 B2B 智慧空調的角度上，依筆者最近工作上的接觸，來試圖解釋 Gateway 在 IOT 中扮演的角色是什麼。

好一段時間沒有更新文章，最主要的原因是筆者換了一份新工作，被指派到負責 IAQ (Indoor Air Quality) 專案中 Gateway (閘道器) 的後端開發，雖然跟深度學習目前較無相關，但後端、底層的部分也一直是我想要接觸的工作項目，只是對我來說都是嶄新的事物，便少了許多時間自己進行研究、學習，也相對的少了部落格文章的更新。

摘要 Abstract

Facebook AI 提出了一個新的物件偵測方法，這個方法簡化了整個偵測流程，且整個流程內不需要人工設置的部分，例如 : 非極大抑制演算法 (NMS, Non Maximun Suppression) 與 Anchor Box，這些必須事前人工設置的部分明確的將我們對於整個任務的先驗知識進行編碼。

系列文章

• MoBot : LINE Bot 開發紀錄 ( LINE / Heroku )
• Line Bot 在群組中的喚醒/休眠機制 (Django Database 之應用)
• 利用 Line Notify 於 Line Bot ( Django + Heroku ) 進行群組推播提醒
• Line Bot 在群組中監控成員的加入與退出

前言

在前面的 "2020 資料創新應用競賽參賽記錄 ( 含頒獎典禮 )" 文末筆者曾經提到過，當初參加資料創新應用競賽的其中一案我們挪來報名今年度的總統杯黑客松。

經過了評審委員的選拔以及眾多親朋好友的投票，五月底我們的提案【他不傻瓜，我們也聰明】確定入選初審，此次初審由近三百個提案中選出 24 個提案團隊，然後在昨天 2020.06.19 ，所有通過初審的團隊通通齊聚在林口新創園進行一整天的工作坊。

前言

手部關鍵點的預測，在整個深度學習以及電腦視覺領域中並不算是一個非常受歡迎、研究廣泛的領域，但是在許多虛擬操作上，預測手部關鍵點這件事情便顯得至關重要。要怎麼利用手勢來做操作 ? 或許我們可以利用現有的 Object Detection 技術來針對手勢定義相對應的操作，這樣的方式既直覺也有相對來說成熟的模型可以使用。有興趣的可以閱讀筆者之前的文章 " Gesture Recognition using YOLO v3 tiny "。

反向傳播是現今深度學習中非常重要的一個演算法，利用反向傳播，我們可以用有效率的方式找到損失函數對於權重的梯度，進而利用梯度下降法 ( Gradient Descent ) 來對每一個權重進行優化。梯度下降法在本文不另贅述，有興趣的話可以參考筆者很早寫的一篇簡單介紹 " Gradient descent 梯度下降 "，本文將會簡單介紹整個反向傳播的運作原理，以及到底為什麼我們會需要反向傳播 ?

今年三月多，收到一個素未謀面的群組成員的訊息，希望我可以加入他們組隊參加一些資料應用競賽，而由台北市電腦公會主辦，幾個政府部門協辦的 2020 資料創新應用競賽便是我們第一個參與的競賽。

摘要 Abstract

主要的 Sequence transduction model 都是基於包含 encoder 及 decoder 的複雜 RNN 或 CNN 結構。而表現最好的模型將 encoder, decoder 與注意力機制 (Attention Mechanism) 連結在一起。這篇論文中提出了一個新的簡單網路結構 Transformer，它是一個基於注意力機制的網路結構，並且完全不含 RNN 與 CNN 。在一些實驗中都顯示 Transformer 具有優勢，除了高度可平行運算外，訓練的時間也明顯降低許多。