Felimet Hub

Docker 容器化工具集

Sat, 04 Feb 2023 00:00:00 GMT

import { Steps, Tabs, TabItem, FileTree } from '@astrojs/starlight/components';

專案概述

這是一套針對開發團隊設計的 Docker 容器化工具集，提供統一的本地開發環境。透過預先配置的 Compose 模板與自動化腳本，降低「在我的機器上可以跑」的問題。

:::caution[注意事項] 此工具集需要 Docker Engine 24+ 與 Docker Compose v2。請確保本機已安裝對應版本。 :::

功能特色

一鍵啟動完整開發環境
多服務 docker-compose 模板
環境變數管理（.env 範本自動產生）
自動化健康檢查與重啟機制
開發 / 測試 / 生產環境設定檔分離

快速開始

<Steps>

複製專案

git clone https://github.com/example/docker-toolkit.git
cd docker-toolkit

初始化環境變數
```
cp .env.example .env
```
啟動服務
```
docker compose up -d
```
確認服務狀態
```
docker compose ps
```

</Steps>

環境配置

<Tabs> <TabItem label="開發環境"> yaml # docker-compose.dev.yml services: app: build: context: . target: development volumes: - .:/app - /app/node_modules ports: - "3000:3000" environment: - NODE_ENV=development </TabItem> <TabItem label="生產環境"> yaml # docker-compose.prod.yml services: app: build: context: . target: production ports: - "8080:8080" environment: - NODE_ENV=production restart: unless-stopped healthcheck: test: ["CMD", "curl", "-f", "http://localhost:8080/health"] interval: 30s timeout: 10s retries: 3 </TabItem> </Tabs>

專案結構

docker-toolkit/
- docker-compose.yml
- docker-compose.dev.yml
- docker-compose.prod.yml
- .env.example
- scripts/
  - init.sh
  - health-check.sh
  - backup.sh
- templates/
  - nginx.conf
  - Dockerfile.node
  - Dockerfile.python </FileTree>

個人歷程時間軸

Fri, 13 Feb 2026 09:38:11 GMT

import '../../../styles/journey.css';

個人歷程

{/* === 2026 === */} <details class="year-group" open> <summary class="year-header"> <span class="year-badge">2026</span> <svg class="chevron" width="16" height="16" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2"><polyline points="6 9 12 15 18 9"/></svg> </summary> <div class="year-content"> <div class="inner-timeline"> <div class="timeline-item"> <span class="month-badge">1月</span> <div class="item-content cert"> <div class="item-title">AI Fluency for educators</div> <div class="item-meta"> <span>Anthropic |</span> <span class="cert-id">證號：djsqui66xh5t</span> <a href="https://verify.skilljar.com/c/djsqui66xh5t" class="cert-link" target="_blank" rel="noopener" title="查看認證"> <svg width="12" height="12" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2"><path d="M18 13v6a2 2 0 0 1-2 2H5a2 2 0 0 1-2-2V8a2 2 0 0 1 2-2h6"/><polyline points="15 3 21 3 21 9"/><line x1="10" y1="14" x2="21" y2="3"/></svg> </a> </div> </div> </div> <div class="timeline-item"> <span class="month-badge">1月</span> <div class="item-content cert"> <div class="item-title">AI Fluency Framework & Foundations</div> <div class="item-meta"> <span>Anthropic |</span> <span class="cert-id">證號：aghiw6sv7s4q</span> <a href="https://verify.skilljar.com/c/aghiw6sv7s4q" class="cert-link" target="_blank" rel="noopener" title="查看認證"> <svg width="12" height="12" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2"><path d="M18 13v6a2 2 0 0 1-2 2H5a2 2 0 0 1-2-2V8a2 2 0 0 1 2-2h6"/><polyline points="15 3 21 3 21 9"/><line x1="10" y1="14" x2="21" y2="3"/></svg> </a> </div> </div> </div> <div class="timeline-item"> <span class="month-badge">1月</span> <div class="item-content cert"> <div class="item-title">Claude Code in Action</div> <div class="item-meta"> <span>Anthropic |</span> <span class="cert-id">證號：8e9x9bq8hp7u</span> <a href="https://verify.skilljar.com/c/8e9x9bq8hp7u" class="cert-link" target="_blank" rel="noopener" title="查看認證"> <svg width="12" height="12" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2"><path d="M18 13v6a2 2 0 0 1-2 2H5a2 2 0 0 1-2-2V8a2 2 0 0 1 2-2h6"/><polyline points="15 3 21 3 21 9"/><line x1="10" y1="14" x2="21" y2="3"/></svg> </a> </div> </div> </div> </div> </div> </details>

{/* === 2025 === */} <details class="year-group" open> <summary class="year-header"> <span class="year-badge">2025</span> <svg class="chevron" width="16" height="16" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2"><polyline points="6 9 12 15 18 9"/></svg> </summary> <div class="year-content"> <div class="inner-timeline"> <div class="timeline-item"> <span class="month-badge">10月</span> <div class="item-content cert"> <div class="item-title">n8n Course Level 2</div> <div class="item-meta"> <span>n8n</span> <a href="https://community.n8n.io/badges/105/completed-n8n-course-level-2?username=felimet" class="cert-link" target="_blank" rel="noopener" title="查看認證"> <svg width="12" height="12" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2"><path d="M18 13v6a2 2 0 0 1-2 2H5a2 2 0 0 1-2-2V8a2 2 0 0 1 2-2h6"/><polyline points="15 3 21 3 21 9"/><line x1="10" y1="14" x2="21" y2="3"/></svg> </a> </div> </div> </div> <div class="timeline-item"> <span class="month-badge">10月</span> <div class="item-content cert"> <div class="item-title">n8n Course Level 1</div> <div class="item-meta"> <span>n8n</span> <a href="https://community.n8n.io/badges/104/completed-n8n-course-level-1?username=felimet" class="cert-link" target="_blank" rel="noopener" title="查看認證"> <svg width="12" height="12" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2"><path d="M18 13v6a2 2 0 0 1-2 2H5a2 2 0 0 1-2-2V8a2 2 0 0 1 2-2h6"/><polyline points="15 3 21 3 21 9"/><line x1="10" y1="14" x2="21" y2="3"/></svg> </a> </div> </div> </div> <div class="timeline-item"> <span class="month-badge">4月</span> <div class="item-content cert"> <div class="item-title">Artificial Intelligence</div> <div class="item-meta"> <span>University of Helsinki</span> <a href="https://certificates.mooc.fi/validate/4aonot4pd6g" class="cert-link" target="_blank" rel="noopener" title="查看證書"> <svg width="12" height="12" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2"><path d="M18 13v6a2 2 0 0 1-2 2H5a2 2 0 0 1-2-2V8a2 2 0 0 1 2-2h6"/><polyline points="15 3 21 3 21 9"/><line x1="10" y1="14" x2="21" y2="3"/></svg> </a> </div> </div> </div> </div> </div> </details>

{/* === 2024 === */} <details class="year-group" open> <summary class="year-header"> <span class="year-badge">2024</span> <svg class="chevron" width="16" height="16" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2"><polyline points="6 9 12 15 18 9"/></svg> </summary> <div class="year-content"> <div class="inner-timeline"> <div class="timeline-item"> <span class="month-badge">9月</span> <div class="item-content edu"> <div class="item-title">國立中興大學 · 博士生</div> <div class="item-meta">生物產業機電工程學系</div> <div class="item-desc">乳牛多模態視覺感測與體態健康研究</div> <div class="item-tags"> <span class="tag">機器學習</span> <span class="tag">電腦視覺</span> <span class="tag">智慧畜牧</span> </div> </div> </div> </div> </div> </details>

{/* === 2023 === */} <details class="year-group" open> <summary class="year-header"> <span class="year-badge">2023</span> <svg class="chevron" width="16" height="16" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2"><polyline points="6 9 12 15 18 9"/></svg> </summary> <div class="year-content"> <div class="inner-timeline"> <div class="timeline-item"> <span class="month-badge">9月</span> <div class="item-content milestone"> <div class="item-title">Felimet Hub 上線</div> <div class="item-desc">個人技術筆記與 SOP 工具箱</div> <div class="item-tags"> <span class="tag">Research</span> <span class="tag">Technology</span> <span class="tag">Development</span> <span class="tag">Learning</span> <span class="tag">Guidelines</span> </div> </div> </div> </div> </div> </details>

{/* === 2022 === */} <details class="year-group"> <summary class="year-header"> <span class="year-badge">2022</span> <svg class="chevron" width="16" height="16" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2"><polyline points="6 9 12 15 18 9"/></svg> </summary> <div class="year-content"> <div class="inner-timeline"> <div class="timeline-item"> <span class="month-badge">9月</span> <div class="item-content edu"> <div class="item-title">國立勤益科技大學 · 碩士</div> <div class="item-meta">電機工程系 · 2022.09 - 2024.01</div> <div class="item-tags"> <span class="tag">電腦視覺</span> <span class="tag">紋影光學</span> <span class="tag">深度學習</span> </div> </div> </div> </div> </div> </details>

{/* === 2017 === */} <details class="year-group"> <summary class="year-header"> <span class="year-badge">2017</span> <svg class="chevron" width="16" height="16" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2"><polyline points="6 9 12 15 18 9"/></svg> </summary> <div class="year-content"> <div class="inner-timeline"> <div class="timeline-item"> <span class="month-badge">9月</span> <div class="item-content edu"> <div class="item-title">國立勤益科技大學 · 學士</div> <div class="item-meta">電機工程系 · 2017.09 - 2022.06</div> <div class="item-tags"> <span class="tag">Python</span> <span class="tag">Matlab</span> <span class="tag">C++</span> <span class="tag">機電整合</span> </div> </div> </div> </div> </div> </details>

</div>

About

Fri, 13 Feb 2026 09:38:11 GMT

import { Image } from 'astro:assets'; import '../../styles/about.css'; import avatarPlaceholder from '../../assets/avatar-placeholder.png';

import Python from '../../assets/skill-icons/Python-Dark.svg'; import CPP from '../../assets/skill-icons/CPP.svg'; import CS from '../../assets/skill-icons/CS.svg'; import Matlab from '../../assets/skill-icons/Matlab-Dark.svg'; import PyTorch from '../../assets/skill-icons/PyTorch-Dark.svg'; import OpenCV from '../../assets/skill-icons/OpenCV-Dark.svg'; import HuggingFace from '../../assets/skill-icons/huggingface-color.svg'; import ClaudeAI from '../../assets/skill-icons/claude-color.svg'; import Gemini from '../../assets/skill-icons/gemini-color.svg'; import Grok from '../../assets/skill-icons/grok.svg'; import Groq from '../../assets/skill-icons/groq.svg'; import Perplexity from '../../assets/skill-icons/perplexity-color.svg'; import Meta from '../../assets/skill-icons/meta-color.svg'; import NotebookLM from '../../assets/skill-icons/notebooklm.svg'; import LangChain from '../../assets/skill-icons/langchain-color.svg'; import LlamaIndex from '../../assets/skill-icons/llamaindex-color.svg'; import Agno from '../../assets/skill-icons/Agno_logo.jpeg'; import Ollama from '../../assets/skill-icons/ollama.svg'; import OpenWebUI from '../../assets/skill-icons/openwebui.svg'; import vLLM from '../../assets/skill-icons/vllm-color.svg'; import Antigravity from '../../assets/skill-icons/Google_Antigravity_icon.webp'; import VSCode from '../../assets/skill-icons/VSCode-Dark.svg'; import VisualStudio from '../../assets/skill-icons/VisualStudio-Dark.svg'; import Git from '../../assets/skill-icons/Git.svg'; import Github from '../../assets/skill-icons/Github.svg'; import uv from '../../assets/skill-icons/uv-logo.svg'; import Anaconda from '../../assets/skill-icons/Anaconda-Dark.svg'; import Notion from '../../assets/skill-icons/Notion-Dark.svg'; import Docker from '../../assets/skill-icons/Docker.svg'; import Nginx from '../../assets/skill-icons/Nginx.svg'; import GCP from '../../assets/skill-icons/GCP-Dark.svg'; import Cloudflare from '../../assets/skill-icons/cloudflare-color.svg'; import N8N from '../../assets/skill-icons/n8n-color.svg'; import Linux from '../../assets/skill-icons/Linux-Dark.svg'; import Ubuntu from '../../assets/skill-icons/Ubuntu-Dark.svg'; import RaspberryPi from '../../assets/skill-icons/RaspberryPi-Dark.svg'; import Arduino from '../../assets/skill-icons/Arduino.svg'; import heroLogo from '../../assets/hero-logo.svg';

{/* Hero Section - Profile */} <section class="about-hero"> <div class="profile-card"> <div class="avatar-wrapper"> <Image src={avatarPlaceholder} alt="周家銘 Jia-Ming Zhou" class="avatar" width={120} height={120} /> </div> <div class="profile-info"> <h1 class="profile-name"> <span class="name-zh">周家銘</span> <span class="name-en">Jia-Ming Zhou</span> </h1> <p class="profile-title"> <span class="institution">國立中興大學</span> <span class="department">生物產業機電工程學系</span> <span class="position">Ph.D. Student</span> </p> </div> <div class="profile-decoration" aria-hidden="true"> <svg width="450" height="200" viewBox="0 0 450 200" style={{ overflow: 'visible' }}> <defs> <filter id="ink-wash" x="-50%" y="-50%" width="200%" height="200%"> <feTurbulence type="fractalNoise" baseFrequency="0.015" numOctaves="3" seed="12" result="noise" /> <feDisplacementMap in="SourceGraphic" in2="noise" scale="30" /> <feGaussianBlur stdDeviation="3" /> </filter> </defs>

    <g class="ink-bg" filter="url(#ink-wash)">
      <path d="M320 100 Q 380 40, 430 90 T 390 170 T 290 150 T 320 100" fill="var(--pigment-indigo)" fill-opacity="0.12" />
      <path d="M220 80 Q 270 20, 340 70 T 310 140 T 200 120 T 220 80" fill="var(--pigment-sage)" fill-opacity="0.18" />
      <circle cx="360" cy="110" r="60" fill="var(--sl-color-accent)" fill-opacity="0.15" />
      <circle cx="190" cy="95" r="15" fill="var(--pigment-indigo)" fill-opacity="0.3" />
      <circle cx="230" cy="145" r="10" fill="var(--sl-color-accent)" fill-opacity="0.3" />
      <circle cx="420" cy="50" r="20" fill="var(--pigment-sage)" fill-opacity="0.2" />
    </g>
    
    <image 
      class="ink-logo"
      href={heroLogo.src} 
      x="260" 
      y="40" 
      width="160" 
      height="120" 
    />
  </svg>
</div>

</div> </section>

{/* Bio Section */} <section class="about-bio"> <h2 class="bio-welcome">歡迎來到 Felimet Hub ～</h2> <p> 在這裡，我將基本建置、開源與官方技術等流程拆解成自己的 SOP，讓它們真正能被個人正確地使用。 </p> <p> 我習慣記錄解決問題與試錯的過程，把它們整理成一套長期可用的工具箱。 </p> <blockquote class="bio-philosophy"> 一項有價值的技術，不該止步於模型或 Demo，而是能從感測、資料處理，一路貫穿到部署與維運。 </blockquote> <div class="bio-links"> <a href="/about/journey/" class="journey-link"> <span class="journey-icon" aria-hidden="true"> <svg width="20" height="20" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2" stroke-linecap="round" stroke-linejoin="round"> <circle cx="12" cy="12" r="10"/> <polyline points="12,6 12,12 16,14"/> </svg> </span> <span>探索我的歷程</span> <span class="journey-arrow" aria-hidden="true">→</span> </a> <a href="https://www.issp-mes.org/" class="journey-link lab-link" target="_blank" rel="noopener noreferrer"> <span class="journey-icon" aria-hidden="true"> <svg width="20" height="20" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2" stroke-linecap="round" stroke-linejoin="round"> <path d="M9 3H5a2 2 0 0 0-2 2v4m6-6h10a2 2 0 0 1 2 2v4M9 3v18m0 0h10a2 2 0 0 0 2-2V9M9 21H5a2 2 0 0 1-2-2V9m0 0h18"/> </svg> </span> <span>探索實驗室</span> <span class="journey-arrow" aria-hidden="true">→</span> </a> </div> </section>

{/* Featured Information */} <section class="about-featured"> <h2>研究領域與亮點</h2> <div class="featured-grid"> <div class="featured-item"> <div class="featured-icon" aria-hidden="true"> <svg width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.5"> <path d="M12 2L2 7l10 5 10-5-10-5z"/> <path d="M2 17l10 5 10-5"/> <path d="M2 12l10 5 10-5"/> </svg> </div> <div class="featured-content"> <h3>跨領域創新研究</h3> <p>結合電機工程與生物產業機電工程背景，透過自主學習解決複雜問題，推動技術與跨領域應用之發展。</p> </div> </div> <div class="featured-item"> <div class="featured-icon" aria-hidden="true"> <svg width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.5"> <rect x="4" y="4" width="16" height="16" rx="2" ry="2" /> <rect x="9" y="9" width="6" height="6" /> <path d="M9 1v3M15 1v3M9 20v3M15 20v3M20 9h3M20 14h3M1 9h3M1 14h3" /> </svg> </div> <div class="featured-content"> <h3>核心研究與專業領域</h3> <p>人工智慧、電腦視覺、多模態感測、影像處理、紋影光學技術、機電整合及乳牛體態視覺化健康評估。</p> </div> </div> <div class="featured-item"> <div class="featured-icon" aria-hidden="true"> <svg width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.5"> <circle cx="12" cy="12" r="10"/> <path d="M14.31 8l5.74 9.94M9.69 8h11.48M7.38 12l5.74-9.94M9.69 16L3.95 6.06M14.31 16H2.83M16.62 12l-5.74 9.94"/> </svg> </div> <div class="featured-content"> <h3>多模態視覺研究</h3> <p>整合可見光、紅外線（熱影像）、深度影像及其他資料類型，以增強對各種應用場景與物件的分析與理解。</p> </div> </div> <div class="featured-item"> <div class="featured-icon" aria-hidden="true"> <svg width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.5"> <path d="M17.7 7.7a2.5 2.5 0 1 1 1.8 4.3H2" /> <path d="M9.6 4.6A2 2 0 1 1 11 8H2" /> <path d="M12.6 19.4A2 2 0 1 0 14 16H2" /> </svg> </div> <div class="featured-content"> <h3>動態彩色紋影流場視覺化</h3> <p>利用光折射率差異將肉眼不可見的氣流、聲波、壓力變化或其他透明介質波動進行視覺化之光學技術，實現氣流速度預測與溫度變化監測等創新應用。</p> </div> </div> <div class="featured-item"> <div class="featured-icon" aria-hidden="true"> <svg width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.5"> <path d="M22 12h-4l-3 9L9 3l-3 9H2"/> </svg> </div> <div class="featured-content"> <h3>智慧畜牧-乳牛視覺健康監測</h3> <p>整合多模態影像處理與人工智慧分析技術，開發 Agentic AI 之非接觸式乳牛健康監測平台，如跛行、熱緊迫與產前預警等。</p> </div> </div> <div class="featured-item"> <div class="featured-icon" aria-hidden="true"> <svg width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="1.5"> <path d="M7 20h10" /> <path d="M10 20c5.5-2.5.8-6.4 3-10" /> <path d="M9.5 9.4c1.1.8 1.8 2.2 2.3 3.7-2 .4-3.5.4-4.8-.3-1.2-.6-2.3-1.9-3-4.2 2.8-.5 4.4 0 5.5.8z" /> <path d="M14.1 6a5.8 5.8 0 0 0-4.7 2.3A7 7 0 0 0 8 13.5c3.2-1 5.3-2.7 6.1-7.5z" /> </svg> </div> <div class="featured-content"> <h3>智慧農業-作物監測與自動化應用</h3> <p>結合物聯網感測、影像辨識與人工智慧決策輔助框架，建構整合式作物監測與自動識別異常預警系統。</p> </div> </div> </div> </section>

{/* Tools & Skills - 按類型排序 /} <section class="about-tools"> <h2>接觸的工具與技能</h2> <div class="tools-grid"> {/ 程式語言 /} <div class="tool-item" title="Python"> <img src={Python.src} alt="Python" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="C++"> <img src={CPP.src} alt="C++" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="C#"> <img src={CS.src} alt="C#" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="MATLAB"> <img src={Matlab.src} alt="MATLAB" class="tool-icon" loading="lazy" /> </div> {/ AI/ML 框架與函式庫 /} <div class="tool-item" title="PyTorch"> <img src={PyTorch.src} alt="PyTorch" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="OpenCV"> <img src={OpenCV.src} alt="OpenCV" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Hugging Face"> <img src={HuggingFace.src} alt="Hugging Face" class="tool-icon" loading="lazy" /> </div> {/ AI 服務與模型 /} <div class="tool-item" title="Claude AI"> <img src={ClaudeAI.src} alt="Claude AI" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Gemini"> <img src={Gemini.src} alt="Gemini" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Grok"> <img src={Grok.src} alt="Grok" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Groq"> <img src={Groq.src} alt="Groq" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Perplexity"> <img src={Perplexity.src} alt="Perplexity" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Meta AI"> <img src={Meta.src} alt="Meta AI" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="NotebookLM"> <img src={NotebookLM.src} alt="NotebookLM" class="tool-icon" loading="lazy" /> </div> {/ AI 開發工具 /} <div class="tool-item" title="LangChain"> <img src={LangChain.src} alt="LangChain" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="LlamaIndex"> <img src={LlamaIndex.src} alt="LlamaIndex" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Agno"> <img src={Agno.src} alt="Agno" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Ollama"> <img src={Ollama.src} alt="Ollama" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Open WebUI"> <img src={OpenWebUI.src} alt="Open WebUI" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="vLLM"> <img src={vLLM.src} alt="vLLM" class="tool-icon" loading="lazy" /> </div> {/ 開發工具與 IDE /} <div class="tool-item" title="Antigravity"> <img src={Antigravity.src} alt="Antigravity" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="VS Code"> <img src={VSCode.src} alt="VS Code" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Visual Studio"> <img src={VisualStudio.src} alt="Visual Studio" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Git"> <img src={Git.src} alt="Git" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="GitHub"> <img src={Github.src} alt="GitHub" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="uv"> <img src={uv.src} alt="uv" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Anaconda"> <img src={Anaconda.src} alt="Anaconda" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Notion"> <img src={Notion.src} alt="Notion" class="tool-icon" loading="lazy" /> </div> {/ DevOps 與雲端服務 /} <div class="tool-item" title="Docker"> <img src={Docker.src} alt="Docker" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Nginx"> <img src={Nginx.src} alt="Nginx" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Google Cloud Platform"> <img src={GCP.src} alt="GCP" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Cloudflare"> <img src={Cloudflare.src} alt="Cloudflare" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="n8n"> <img src={N8N.src} alt="n8n" class="tool-icon" loading="lazy" /> </div> {/ 作業系統與硬體 */} <div class="tool-item" title="Linux"> <img src={Linux.src} alt="Linux" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Ubuntu"> <img src={Ubuntu.src} alt="Ubuntu" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Raspberry Pi"> <img src={RaspberryPi.src} alt="Raspberry Pi" class="tool-icon" loading="lazy" /> </div> <div class="tool-item" title="Arduino"> <img src={Arduino.src} alt="Arduino" class="tool-icon" loading="lazy" /> </div> </div> </section>

{/* Contact */} <section class="about-contact"> <h2>更多關聯 / 與我聯繫</h2> <div class="contact-grid"> <a href="https://github.com/felimet" class="contact-link" target="_blank" rel="noopener noreferrer"> <svg width="24" height="24" viewBox="0 0 24 24" fill="currentColor" aria-hidden="true"> <path d="M12 0c-6.626 0-12 5.373-12 12 0 5.302 3.438 9.8 8.207 11.387.599.111.793-.261.793-.577v-2.234c-3.338.726-4.033-1.416-4.033-1.416-.546-1.387-1.333-1.756-1.333-1.756-1.089-.745.083-.729.083-.729 1.205.084 1.839 1.237 1.839 1.237 1.07 1.834 2.807 1.304 3.492.997.107-.775.418-1.305.762-1.604-2.665-.305-5.467-1.334-5.467-5.931 0-1.311.469-2.381 1.236-3.221-.124-.303-.535-1.524.117-3.176 0 0 1.008-.322 3.301 1.23.957-.266 1.983-.399 3.003-.404 1.02.005 2.047.138 3.006.404 2.291-1.552 3.297-1.23 3.297-1.23.653 1.653.242 2.874.118 3.176.77.84 1.235 1.911 1.235 3.221 0 4.609-2.807 5.624-5.479 5.921.43.372.823 1.102.823 2.222v3.293c0 .319.192.694.801.576 4.765-1.589 8.199-6.086 8.199-11.386 0-6.627-5.373-12-12-12z"/> </svg> <span>GitHub</span> </a> <a href="https://www.linkedin.com/in/jiamingzhoufelimet" class="contact-link" target="_blank" rel="noopener noreferrer"> <svg width="24" height="24" viewBox="0 0 24 24" fill="currentColor" aria-hidden="true"> <path d="M20.447 20.452h-3.554v-5.569c0-1.328-.027-3.037-1.852-3.037-1.853 0-2.136 1.445-2.136 2.939v5.667H9.351V9h3.414v1.561h.046c.477-.9 1.637-1.85 3.37-1.85 3.601 0 4.267 2.37 4.267 5.455v6.286zM5.337 7.433c-1.144 0-2.063-.926-2.063-2.065 0-1.138.92-2.063 2.063-2.063 1.14 0 2.064.925 2.064 2.063 0 1.139-.925 2.065-2.064 2.065zm1.782 13.019H3.555V9h3.564v11.452zM22.225 0H1.771C.792 0 0 .774 0 1.729v20.542C0 23.227.792 24 1.771 24h20.451C23.2 24 24 23.227 24 22.271V1.729C24 .774 23.2 0 22.222 0h.003z"/> </svg> <span>LinkedIn</span> </a> <a href="https://www.webofscience.com/wos/author/record/LKM-9772-2024" class="contact-link" target="_blank" rel="noopener noreferrer"> <svg width="24" height="24" viewBox="0 0 24 24" fill="currentColor" aria-hidden="true"> <path d="M12 2L2 19h20L12 2zm0 4.5l6.5 10.5h-13L12 6.5z"/> <path d="M8 14l2-3 2 3 2-3 2 3" fill="none" stroke="currentColor" stroke-width="1.5" stroke-linecap="round" stroke-linejoin="round"/> </svg> <span>Web of Science</span> </a> <a href="https://orcid.org/0009-0001-5781-0624" class="contact-link" target="_blank" rel="noopener noreferrer"> <svg width="24" height="24" viewBox="0 0 24 24" fill="currentColor" aria-hidden="true"> <path d="M12 0C5.372 0 0 5.372 0 12s5.372 12 12 12 12-5.372 12-12S18.628 0 12 0zM7.369 4.378c.525 0 .947.431.947.947s-.422.947-.947.947a.95.95 0 0 1-.947-.947c0-.525.422-.947.947-.947zm-.722 3.038h1.444v10.041H6.647V7.416zm3.562 0h3.9c3.712 0 5.344 2.653 5.344 5.025 0 2.578-2.016 5.025-5.325 5.025h-3.919V7.416zm1.444 1.303v7.444h2.297c3.272 0 4.022-2.484 4.022-3.722 0-2.016-1.284-3.722-4.097-3.722h-2.222z"/> </svg> <span>ORCID</span> </a> <a href="mailto:jm.zhou@jmcores.com" class="contact-link"> <svg width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2" aria-hidden="true"> <path d="M4 4h16c1.1 0 2 .9 2 2v12c0 1.1-.9 2-2 2H4c-1.1 0-2-.9-2-2V6c0-1.1.9-2 2-2z"/> <polyline points="22,6 12,13 2,6"/> </svg> <span>Email</span> </a> </div> </section>

隱私權保護政策

Sun, 08 Feb 2026 00:00:00 GMT

非常歡迎您光臨「Felimet Hub」（以下簡稱本網站）。為了讓您能夠安心使用本網站提供的各項服務與資訊，本網站依據中華民國個人資料保護法及相關法令訂定本隱私權保護政策（以下簡稱本政策），以說明本網站如何處理與保護您的個人資料。請您詳細閱讀以下內容。

一、蒐集者與適用範圍

蒐集者：J.M. Zhou（本網站經營者）
適用範圍：本政策適用於您在瀏覽與使用本網站（包含位於 https://www.jmcores.com 之所有頁面及其所提供之各項服務）時，所涉及的個人資料蒐集、處理、利用與保護。
不適用範圍：本政策不適用於透過本網站連結之其他網站（例如 GitHub、LinkedIn、學術資料庫等），亦不適用於非本網站所委託或參與管理之第三方服務。對於前述網站或服務之隱私權政策及資料處理作法，您應另行查閱其相關說明。

二、蒐集之個人資料類別與目的

本網站蒐集之個人資料類別、蒐集目的及利用方式如下：

2.1 伺服器日誌（自動蒐集）

項目	說明
資料類別	IP 位址、存取時間、瀏覽器類型與版本、作業系統、瀏覽頁面、參照來源網址
蒐集目的	網站流量統計、服務品質改善、異常行為偵測與安全維護
利用期間	依 Cloudflare 服務條款保留，本網站不另行長期儲存
利用地區	Cloudflare 全球節點所在地區
利用對象	本網站經營者、Cloudflare
利用方式	自動化系統處理，僅用於統計分析，不會與其他資料交叉比對以識別特定個人

2.2 搜尋功能（使用時蒐集）

本網站提供以下搜尋功能，您輸入的查詢內容將傳送至第三方服務處理：

功能	資料類別	蒐集目的	利用對象
Algolia DocSearch	搜尋關鍵字	提供網站內容搜尋結果	Algolia
Algolia Ask AI	對話式問答內容	提供 AI 生成之搜尋回覆	Algolia
AI 搜尋助手（Henry）	對話式問答內容	提供 AI 生成之技術文件回覆	Cloudflare

利用期間：本網站不儲存您的搜尋或對話紀錄；第三方服務可能依其服務條款保留必要之日誌
利用地區：Algolia 及 Cloudflare 伺服器所在地區
利用方式：即時傳輸處理後回傳結果，不做行銷或廣告用途

2.3 網站流量分析（Cloudflare Web Analytics）

項目	說明
資料類別	頁面瀏覽統計（頁面 URL、參照來源、瀏覽器類型、國家/地區）
蒐集目的	網站流量統計、內容改善參考
利用期間	依 Cloudflare 服務條款保留
利用地區	Cloudflare 伺服器所在地區
利用對象	本網站經營者、Cloudflare
利用方式	匿名化統計分析，不使用 Cookie，不收集個人識別資訊

隱私說明：Cloudflare Web Analytics 採用隱私優先設計，不使用 Cookie 或追蹤腳本，不收集 IP 位址或其他個人識別資訊，僅提供匿名的網站流量統計。

2.4 本網站目前未蒐集之資料

本網站目前未實作以下功能，因此不會蒐集相關個人資料：

會員註冊與登入系統
留言或評論功能
聯絡表單（Email 聯絡採用 mailto 連結，資料直接傳送至您的郵件軟體，不經本網站伺服器）
電子報訂閱
廣告追蹤或行為定向

若日後新增上述功能，將同步更新本政策並於該功能處提供告知。

三、Cookie 與類似技術之使用

3.1 本網站使用之 Cookie

Cookie 類型	用途	設置者
必要性 Cookie	維持網站正常運作（如 CDN 路由、安全驗證）	Cloudflare
功能性 Cookie	記錄搜尋偏好、深色/淺色模式設定	本網站、Algolia

3.2 本網站未使用之 Cookie

廣告 Cookie
跨站追蹤 Cookie
第三方分析 Cookie（如 Google Analytics）

3.3 Cookie 管理

您可透過瀏覽器設定管理或刪除 Cookie。若選擇停用所有 Cookie，可能導致部分功能（如搜尋、主題偏好記憶）無法正常運作。

四、第三方服務與資料傳輸

本網站使用以下第三方服務，您的部分資料將傳輸至這些服務進行處理：

服務	用途	傳輸之資料	隱私權政策
Cloudflare Pages	網站託管、CDN、安全防護	IP、瀏覽器資訊、存取日誌	Cloudflare 隱私權政策
Cloudflare Web Analytics	網站流量統計	匿名頁面瀏覽資料（不含 IP 或個人識別資訊）	Cloudflare 隱私權政策
Cloudflare Workers AI	AI 搜尋助手（Henry）	使用者輸入之問答內容	Cloudflare AI 條款
Algolia	網站搜尋、Ask AI	搜尋關鍵字、問答內容	Algolia 隱私權政策

本網站已審閱上述服務之隱私權政策，並確認其符合基本資料保護要求。本網站要求受託服務提供者善盡資料保密與安全維護義務。

五、資料保護措施

本網站採取以下技術與管理措施保護所處理之個人資料：

傳輸加密：全站強制使用 HTTPS 加密傳輸
存取控管：僅授權人員得存取相關服務設定
安全更新：定期更新網站框架與相依套件
最小化蒐集：僅蒐集提供服務所必要之資料

5.1 資料外洩應變

若發生疑似個人資料外洩或遭侵害之情事，本網站將：

立即查明原因並採取補救措施
於查明後以適當方式（網站公告或 Email）通知可能受影響之當事人
依法向主管機關通報

六、與第三人共用個人資料之政策

本網站不會出售、交換、出租或以任何方式將您的個人資料揭露予與本服務無關之第三人，但符合下列情形之一者除外：

事先取得您的書面同意或授權
法律明文規定或依法令規定有義務配合司法機關或其他有權機關之正當調取
為維護國家安全或增進重大公共利益之必要
為免除您生命、身體、自由或財產上之危險
為防止他人權益遭受重大損害
與公務機關或學術研究機構合作，基於公共利益或學術研究之必要，且資料已經過適當處理，使特定當事人無從被識別
其他符合相關法令之情形

七、您的權利與行使方式

依據中華民國個人資料保護法，您得就本網站所保有涉及您個人之資料，請求行使下列權利：

查詢或請求閱覽
請求製給複本
請求補充或更正
請求停止蒐集、處理及利用
請求刪除

7.1 權利行使方式

若您欲行使上述權利，或對本政策有任何疑問，請透過以下方式聯繫：

Email：jm.zhou@jmcores.com

為確保您的資料安全，本網站可能需請您提供必要資訊以驗證身分。本網站將於收到請求後 30 日內 回覆處理結果。

7.2 權利行使之限制

依據個人資料保護法第 10 條規定，若您的請求有妨害國家安全、公共利益、妨害第三人重大利益等情形，本網站得依法拒絕之。

八、未成年人保護

若您為未滿法定年齡之未成年人，在使用本網站服務前，應由您的法定代理人或監護人閱讀、理解並同意本政策。

九、國際資料傳輸

本網站使用之第三方服務（Cloudflare、Algolia）伺服器可能位於中華民國境外。您使用本網站服務即表示同意您的資料可能傳輸至境外處理。上述服務提供者均已承諾遵守相關資料保護法規。

十、隱私權保護政策之修訂

本網站將視實務需求、相關法令修訂或服務內容變更等因素，不時檢討並修正本政策。
本政策如有重大變更（例如新增資料蒐集項目或變更利用目的），將公布於本網站適當位置，修訂後之內容自公布日起生效。
建議您定期查閱本頁面，以了解最新的隱私權保護政策內容。

最後更新日期：2026 年 2 月

基於深度神經網路之紋影光學影像品質優化與濾除偽影技術之開發

Fri, 30 Jan 2026 00:00:00 GMT

import { Badge, Tabs, TabItem } from '@astrojs/starlight/components'; import PublicationMeta from '../../../../components/PublicationMeta.astro';

Development of Schlieren optical imaging quality optimization and artifact removal technology based on deep neural network

Wen-Lin Chu, Jia-Ming Zhou, Yi-Wei Lin, and Bo-Lin Jian

摘要 Abstract

本研究開發一套紋影影像品質提升之軟硬體整合最佳化方案，針對傳統紋影技術在影像清晰度與細節呈現上的根本性限制進行改善。我們建構了基於 Z 型光路配置的精密光學系統,並提出創新的雙階段影像處理策略，結合盲去卷積技術 (Blind Deconvolution) 與條件式生成對抗網路 (Conditional Generative Adversarial Networks，CGANs)，有效緩解單離軸紋影系統中的偽影問題。

This research developed an integrated hardware and software optimization solution for Schlieren image quality enhancement, addressing fundamental limitations in traditional Schlieren techniques regarding image clarity and detail presentation. We constructed a precision optical system based on Z-type optical path configuration and proposed an innovative two-stage image processing strategy that combines blind deconvolution techniques with Conditional Generative Adversarial Networks (CGANs) to effectively mitigate artifact issues in single off-axis Schlieren systems.

關鍵字 Keywords

紋影技術 Schlieren technique
影像增強 Image enhancement
深度學習應用 Deep learning applications
條件生成對抗網絡 Conditional Generative Adversarial Networks (CGANs)
盲去卷積 Blind deconvolution

研究結果示例

<Tabs> <TabItem label="System Overview"> <p>單離軸紋影系統（General system）vs. Z 型紋影系統（Z-type system）</p> </TabItem> <TabItem label="Ghost Artifacts"> <p>此圖展示了單離軸紋影系統（Single Off-axis System）所面臨的核心技術挑戰。圖片清楚呈現了傳統單離軸紋影光學配置的四大固有限制：首先是非同軸光路所產生的偽影（Ghost artifacts），這是由於光線未能完全共軸傳播而在感測器上形成的假訊號；其次是影像失真與光學像差（Image distortion and aberrations），導致待測物的真實邊界與密度梯度資訊被扭曲；第三是對比度與清晰度的顯著降低（Reduced contrast and clarity），使得微弱的流場特徵難以辨識；最後是干涉圖案（Interference patterns）的出現，進一步降低影像的訊噪比。</p> <p>圖片左側展示了一幅典型的單離軸紋影原始影像，可明顯觀察到整個視場有著高密度的顆粒狀噪點與偽影結構，嚴重影響了對真實流場特徵的判讀。右側的放大視圖則以紅框標示出關鍵區域，並透過藍色與黃色箭頭分別標註「Real」（真實訊號）與「Artifact」（偽影）兩種特徵，清楚說明在原始影像中真實物理現象與系統偽影的混淆程度。本研究開發盲反捲積結合條件式生成對抗網路（CGANs）之兩階段處理策略，目的即在於有效分離與抑制這些系統性的光學偽影，同時保留並增強真實的流場密度梯度資訊，從根本上突破傳統單離軸紋影技術的影像品質瓶頸。</p> </TabItem> <TabItem label="Quantitative Analysis"> <p>此圖完整呈現了本研究提出之兩階段影像處理策略的執行流程與量化驗證結果。圖片上半部以視覺化方式展示了紋影影像從原始輸入（Input）經過盲反捲積處理（After deconvolution）再到 pix2pix 條件式生成對抗網路（After pix2pix）的漸進式品質提升過程。在原始輸入影像中，可明顯觀察到高密度的顆粒狀噪點與偽影結構；經過第一階段的盲反捲積處理後，影像噪點密度雖略有改善，但整體視覺品質提升有限，仍保留大量的高頻雜訊；而在第二階段透過 pix2pix 網路處理後，影像品質發生了顯著的質變，絕大部分的顆粒狀偽影被有效抑制，影像呈現出更為平滑且清晰的視覺效果，同時保留了關鍵的流場結構資訊。</p> <p>下半部的量化分析表格則以客觀的數值指標驗證了處理效果的顯著性。表格比較了輸入影像（含偽影）與輸出影像（經 pix2pix 處理後）在三個關鍵影像品質指標上的表現：均方誤差（MSE）從 0.01 大幅降低至 0.0013，降幅達 87%，顯示重建影像與理想影像間的像素級誤差顯著縮小；結構相似性指數（SSIM）從 0.359 躍升至 0.8198，提升幅度超過 128%，證實了演算法在保留影像結構完整性方面的卓越表現；峰值訊噪比（PSNR）從 20 dB 提升至 28.94 dB，增加了 8.94 dB，反映出訊號品質的實質性改善。這三項指標的全面提升，客觀證明了本研究所提出的盲反捲積結合 CGANs 兩階段處理架構，能夠有效濾除單離軸紋影系統的系統性偽影，並顯著提升影像的清晰度、對比度與結構保真度，為紋影光學量測的精確性與可靠性奠定堅實的技術基礎。</p> </TabItem> </Tabs>

引用格式 BibTeX

@InProceedings{ChuICMLSC2025,
  author    = {Jia-Ming Zhou and Wen-Lin Chu and Bo-Lin Jian},
  title     = {Implementation Analysis of Traditional and Z-Configuration Schlieren Systems in Machine Learning Applications},
  year      = {2025},
  month     = {10},
  address   = {Tokyo, Japan},
  url       = {https://icmlsc.org/2025.html},
  abstract  = {Schlieren imaging is a non-invasive flow visualization technique based on light propagation and projection principles. This study analyzes the differences between Z-type and standard Schlieren setup methods and discusses their applications in machine learning. The standard Schlieren system employs a simplified configuration comprising a light source and a concave mirror. The process begins by positioning the light source (such as a point source or laser) at the focal point of the concave mirror, generating parallel light beams after reflection. These parallel beams pass through the test subject, with a knife edge placed directly at the focal point to cut the light rays, thereby enhancing the visibility of light deflection. The Z-type configuration represents a typical Schlieren photography system arrangement that utilizes two concave mirrors in a Z-shaped alignment. This arrangement effectively extends the optical path while maintaining system compactness and symmetry. Consequently, this research compares these two setup methods and explores their implementation outcomes in machine learning applications. With the continuous advancement of machine learning technologies, this study anticipates that these techniques will find increasingly widespread applications in schlieren analysis, potentially enhancing the efficiency and accuracy of industrial automated inspection processes.},
}

Felimet Hub

Fri, 13 Feb 2026 09:38:11 GMT

import { LinkCard, CardGrid } from '@astrojs/starlight/components'; import RecentArticles from '../../components/RecentArticles.astro';

關於個人技術軌跡的集散地

每一則筆記都是給自己的一份解答；在問與答之間，紀錄將經驗內化的旅程。

近期更新

{/* 顯示最新 12 篇（所有區段） */} <RecentArticles max={12} />

彩色紋影熱動態影像的防疫應用

Sat, 30 Dec 2023 00:00:00 GMT

import { Badge } from '@astrojs/starlight/components'; import PublicationMeta from '../../../../components/PublicationMeta.astro';

Epidemic Prevention Applications of Color Schlieren Thermal Dynamics Imaging

Jia-Ming Zhou, and Bo-Lin Jian

摘要 Abstract

本研究建立一套整合紋影光學與紅外熱影像的雙模態視覺化系統，用於量化分析口罩配戴時的呼吸氣流動力學特性。研究採用穩健主成分分析（RPCA）將動態影像分解為低秩矩陣（背景結構）與稀疏矩陣（動態目標），並透過粒子影像測速技術（PIV）精確量測氣流速度場分布。實驗比較一般醫療口罩、4D 醫療口罩與 N95 口罩三種類型，結果顯示一般醫療口罩的呼氣流速最高可達 0.6 m/s，而 N95 口罩則低於 0.35 m/s。透過雙模態影像融合技術，成功整合紋影影像的氣流紋理與熱影像的溫度分布資訊，產生彩色紋影熱動力學影像。研究並採用流速感測器進行交叉驗證，確保分析結果的可靠性。此創新方法不僅揭示口罩對氣流傳播路徑與速度的阻隔效應，更為公共衛生防疫策略提供客觀的科學資料支持，具有重要的實務應用價值。

This study establishes a dual-modal visualization system integrating schlieren optics and infrared thermal imaging for quantitative analysis of respiratory airflow dynamics during mask wearing. The research employs Robust Principal Component Analysis (RPCA) to decompose dynamic imagery into low-rank matrices (background structure) and sparse matrices (dynamic targets), and utilizes Particle Image Velocimetry (PIV) to accurately measure airflow velocity field distributions. The experimental investigation compares three mask types: standard surgical masks, 4D surgical masks, and N95 respirators. Results demonstrate that exhalation velocities from standard surgical masks reach up to 0.6 m/s, whereas N95 respirators exhibit velocities below 0.35 m/s. Through dual-modal image fusion techniques, the system successfully integrates the airflow texture from schlieren images with emperature distribution information from thermal images, generating color schlieren thermodynamic imagery. The study incorporates flow velocity sensors for cross-validation to ensure analytical reliability. This innovative methodology not only reveals the blocking effects of masks on airflow propagation pathways and velocities but also provides objective scientific data to support public health epidemic prevention strategies, demonstrating significant practical application value.

關鍵字 Keywords

彩色紋影技術 Color Schlieren Techniques
穩健主成分分析 Robust Principal Component Analysis (RPCA)
粒子影像測速 Particle Image Velocimetry (PIV)
紅外線熱影像 Infrared Thermal Imaging
口罩與呼吸氣流影響 Impact of Masks on Respiratory Airflow

研究結果示例

引用格式 BibTeX

@inproceedings{zhou2023automation,
  author    = {Jia-Ming Zhou and Bo-Lin Jian},
  title     = {Epidemic Prevention Applications of Color Schlieren Thermal Dynamics Imaging},
  booktitle = {The 20th International Conference on Automation Technology (Automation 2023)},
  year      = {2023},
  month     = {December},
  address   = {Taipei, Taiwan}
}

Felimet Hub 網站

Thu, 04 Feb 2021 00:00:00 GMT

import { Steps, Tabs, TabItem, FileTree, Badge } from '@astrojs/starlight/components';

專案概述

Felimet Hub 是一個以 Astro Starlight 為基礎的個人網站，結合 starlight-theme-obsidian 主題與自訂的 Wabi-Sabi 有機設計系統。目標是建立一個兼顧閱讀體驗與視覺溫度的文件型網站。

:::note[專案狀態] 目前處於 v0.1.0 初始開發階段，持續迭代中。 :::

技術堆疊

類別	技術
框架	Astro 5 + Starlight
主題	starlight-theme-obsidian
樣式	Tailwind CSS v4 + 自訂 Wabi-Sabi 色彩系統
字型	Crimson Pro（英文）+ Noto Sans TC（中文）
部署	靜態輸出（Static Site Generation）

設計系統

本站採用 Wabi-Sabi 雙模式材質引擎，在亮/暗模式間切換不同的物理隱喻：

<Tabs> <TabItem label="亮色模式"> 「墨水與水彩於奶油紙上」

- 背景：奶油色粗纖維紙 `#F9F7F2`
- 墨線：深炭色墨水 `#36454F`
- 填色：半透明水彩暈染，`mix-blend-mode: multiply`
- 色彩融入紙張紋理，呈現柔和的手繪質感

</TabItem> <TabItem label="暗色模式"> 「粉筆與水粉於石板上」

- 背景：深炭色啞光石板 `#1F1F21`
- 墨線：奶白色粉筆 `#E6E0D4`
- 填色：不透明鮮豔水粉，`mix-blend-mode: normal`
- 色彩浮現於暗色表面，呈現明亮的塗料質感

</TabItem> </Tabs>

專案結構

src/
- components/
  - GalleryCard.astro
  - GalleryGrid.astro
  - TagBadge.astro
- content/docs/
  - index.mdx
  - about.mdx
  - projects/
  - notes/
- pages/
  - projects/index.astro
  - notes/index.astro
- styles/
  - global.css
  - wabi-sabi-tokens.css
  - wabi-sabi-organic.css
  - wabi-sabi-typography.css
astro.config.mjs
package.json </FileTree>

建置流程

<Steps>

安裝依賴
```
pnpm install
```
啟動開發伺服器
```
pnpm dev
```
建置靜態網站
```
pnpm build
```
預覽產出結果
```
pnpm preview
```

</Steps>

傳統與 Z 型紋影系統於機器學習應用中的實作分析

Sat, 01 Feb 2025 00:00:00 GMT

import { Badge, Tabs, TabItem } from '@astrojs/starlight/components'; import PublicationMeta from '../../../../components/PublicationMeta.astro';

Implementation Analysis of Traditional and Z-Configuration Schlieren Systems in Machine Learning Applications

Wen-Lin Chu, Jia-Ming Zhou, Jun-Shen Shi, and Bo-Lin Jian

摘要 Abstract

紋影成像 (Schlieren imaging) 是一種基於光傳播與投影原理的非侵入式流場可視化技術。本研究分析 Z 型與標準紋影架構之間的差異，並探討其於機器學習應用中的潛力。標準紋影系統採用簡化式配置，由光源與凹面鏡組成。其過程首先將光源（如點光源或雷射）置於凹面鏡焦點處，反射後產生平行光束，光束通過受測物時於焦點位置設置刀口以切割部分光線，從而增強光偏折的可見度。 Z 型配置則屬典型的紋影攝影系統排列，利用兩面凹面鏡形成 Z 型光路。此配置可在維持系統緊湊與對稱的同時，有效延伸光學路徑。基於此，本研究比較兩種架構方式，並探討其於機器學習應用中的實際實現結果。隨著機器學習技術的持續進展，本研究預期這些光學技術將在紋影分析領域獲得更廣泛應用，進一步提升工業自動化檢測過程的效率與準確度。

Schlieren imaging is a non-invasive flow visualization technique based on light propagation and projection principles. This study analyzes the differences between Z-type and standard Schlieren setup methods and discusses their applications in machine learning. The standard Schlieren system employs a simplified configuration comprising a light source and a concave mirror. The process begins by positioning the light source (such as a point source or laser) at the focal point of the concave mirror, generating parallel light beams after reflection. These parallel beams pass through the test subject, with a knife edge placed directly at the focal point to cut the light rays, thereby enhancing the visibility of light deflection. The Z-type configuration represents a typical Schlieren photography system arrangement that utilizes two concave mirrors in a Z-shaped alignment. This arrangement effectively extends the optical path while maintaining system compactness and symmetry. Consequently, this research compares these two setup methods and explores their implementation outcomes in machine learning applications. With the continuous advancement of machine learning technologies, this study anticipates that these techniques will find increasingly widespread applications in schlieren analysis, potentially enhancing the efficiency and accuracy of industrial automated inspection processes.

關鍵字 Keywords

紋影成像技術 Schlieren Imaging Technique
Z 型配置 Z-Configuration
機器學習應用 Machine Learning Application

研究結果示例

<Tabs> <TabItem label="System Overview"> <p>此圖展示 Z 型紋影光學系統的光路配置原理，其中點光源位於左側凹面鏡的焦點位置，經反射後形成平行光束通過測試物體，當光束經過具有折射率梯度的流場時會產生偏折，隨後由右側凹面鏡（與左鏡相距 2f）將光束聚焦至傅立葉轉換平面，並在該焦點位置放置可調整方向的刀刃（支援垂直、水平或雙向遮擋模式）以濾除未偏折光線，最終由相機影像平面擷取經刀刃調製後的紋影影像，此標準配置作為紋影流場視覺化與機器學習訓練資料擷取的基礎光學架構。</p> </TabItem> <TabItem label="Knife Edge Cutoff Ratio"> <p>此圖展示紋影成像系統中刀刃截止率 (Knife Edge Cutoff Ratio) 對影像品質的影響效果。5 張影像分別對應 0%、25%、50%、75% 與 100% 的截止率設定，清楚呈現隨著截止率增加，影像背景亮度逐漸降低的趨勢。</p> </TabItem> <TabItem label="Heating Differential Schlieren Imaging"> <p>此圖展示標準型 (Standard) 與 Z 型 (Z-type) 紋影系統在檢測透明塑膠片加熱前後的折射率變化差異，並透過差分影像後處理技術進行定量化分析。</p> <p>紋影技術能夠視覺化透明介質中的密度變化，當透明塑膠片受熱時，材料內部的溫度梯度會導致折射率 (Refractive Index) 分布改變，進而使通過的光線產生偏折。此技術利用光線折射原理，將溫度與密度的相關性轉化為可視化影像。溫度升高時密度降低，折射率隨之改變，造成光線偏折路徑的差異。</p> <p>差異影像 (Difference) 採用偽色彩編碼 (Pseudo-color Encoding) 進行視覺化分析，其中洋紅色 (Magenta) 代表加熱前後無變化的區域，青綠色 (Cyan-green) 標示出具有顯著折射率差異的區域，此技術能有效突顯熱擾動的空間分布模式。這種差分運算方法可消除背景雜訊與系統性誤差，僅保留由熱效應引起的訊號變化，為後續機器學習模型提供高品質的特徵提取基礎。</p> </TabItem> </Tabs>

引用格式 BibTeX

@InProceedings{ZhouICMLSC2025,
  author    = {Jia-Ming Zhou and Wen-Lin Chu and Bo-Lin Jian},
  title     = {Implementation Analysis of Traditional and Z-Configuration Schlieren Systems in Machine Learning Applications},
  year      = {2025},
  month     = {9},
  address   = {Tokyo, Japan},
  url       = {https://icmlsc.org/2025.html},
  abstract  = {Schlieren imaging is a non-invasive flow visualization technique based on light propagation and projection principles. This study analyzes the differences between Z-type and standard Schlieren setup methods and discusses their applications in machine learning. The standard Schlieren system employs a simplified configuration comprising a light source and a concave mirror. The process begins by positioning the light source (such as a point source or laser) at the focal point of the concave mirror, generating parallel light beams after reflection. These parallel beams pass through the test subject, with a knife edge placed directly at the focal point to cut the light rays, thereby enhancing the visibility of light deflection. The Z-type configuration represents a typical Schlieren photography system arrangement that utilizes two concave mirrors in a Z-shaped alignment. This arrangement effectively extends the optical path while maintaining system compactness and symmetry. Consequently, this research compares these two setup methods and explores their implementation outcomes in machine learning applications. With the continuous advancement of machine learning technologies, this study anticipates that these techniques will find increasingly widespread applications in schlieren analysis, potentially enhancing the efficiency and accuracy of industrial automated inspection processes.},
}

溫度異質性對氣流對流影響的視覺化因果分析

Thu, 05 Dec 2024 00:00:00 GMT

import { Badge } from '@astrojs/starlight/components'; import PublicationMeta from '../../../../components/PublicationMeta.astro';

Visual Causal Analysis of the Impact of Temperature Heterogeneity on Airflow Convection

Jia-Ming Zhou, Wen-Lin Chu, and Jun-Ye Luo

*Corresponding author: Bo-Lin Jian

摘要 Abstract

本研究提出一套新穎的彩色紋影系統，能夠透過影像色彩直接觀測溫度，並同步使用紅外手持式熱影像儀擷取溫度變化進行驗證。本研究對紋影影像應用兩種除霧方法以強化氣流細節：暗通道先驗法（DCP）與非局部影像除霧演算法（NLIDA）。研究結果顯示， NLIDA 在增強氣流的色彩與細節方面表現卓越，而 DCP 在分析氣流與溫度的相關性時則更為準確。跨四種色彩空間（RGB、HSV、Lab*、YUV）的分析顯示，經 DCP 處理的影像在多個通道中與溫度呈現高度相關性（相關係數絕對值 > 0.8）。此外，本研究採用因果分解演算法探討氣流與溫度變化對紋影影像色彩的影響關係。因果分析證實熱變化會影響紋影形成，確認溫度變化為紋影影像生成的關鍵因子。最後，本研究開發一套互動式圖形化使用者介面（GUI）以視覺化呈現因果關係分析結果，促進直觀的資料詮釋。

This study introduces a new color schlieren system that can directly observe temperature through image color and simultaneously capture temperature changes using an infrared handheld thermal imager for verification. We applied two dehazing methods to the Schlieren images to enhance airflow details: the Dark Channel Prior (DCP) and the Non-Local Image Dehazing Algorithm (NLIDA). Our results demonstrate that NLIDA excels in enhancing the colors and details of the airflow, whereas DCP proves more accurate in analyzing the correlation between airflow and temperature. Analysis across four color spaces (RGB, HSV, Lab*, YUV) reveals that DCP-processed images exhibit a high correlation with temperature in multiple channels (correlation coefficient absolute value > 0.8). Furthermore, we employed a causal decomposition algorithm to investigate the relationship between airflow and temperature changes on Schlieren image colors. The causal analysis confirms that thermal variations influence schlieren formation, identifying temperature changes as a critical factor in schlieren image production. Finally, we developed an interactive Graphical User Interface (GUI) to visualize the results of the causal relationship analysis, facilitating intuitive data interpretation.

關鍵字 Keywords

彩色紋影技術 Color Schlieren Technique
暗通道先驗 Dark Channel Prior (DCP)
非局部影像除霧演算法 Non-Local Image Dehazing Algorithm (NLIDA)
聚類分析 Clustering Analysis
因果分析 Causal Analysis

研究結果示例

引用格式 BibTeX

@inproceedings{zhou2024automation,
  author    = {Jia-Ming Zhou and Wen-Lin Chu and Jun-ye Luo},
  title     = {Visual Causal Analysis of the Impact of Temperature Heterogeneity on Airflow Convection},
  booktitle = {The 21th International Conference on Automation Technology (Automation 2024)},
  year      = {2024},
  month     = {November},
  address   = {Taipei, Taiwan},
  note      = {Corresponding author: Bo-Lin Jian}
}

整合 GLCM 影像特徵與紋影技術之量化水污染分析系統

Sun, 30 Nov 2025 00:00:00 GMT

import { Badge } from '@astrojs/starlight/components'; import PublicationMeta from '../../../../components/PublicationMeta.astro';

Quantitative Water Pollution Analysis System Integrating GLCM Image Features with Schlieren Imaging Technology

Jia-Ming Zhou, Wen-Lin Chu, and Bo-Lin Jian

摘要 Abstract

本研究提出一套整合 Z 型紋影光學與近紅外線光譜的水質分析系統，用於量測水中塑膠熱劣化過程所產生的微粒與濁度變化。系統以精密紋影成像觀察水體密度微小變化，並配合近紅外線光譜進行粒徑與成分輔助判讀。研究建立基於灰階共生矩陣（GLCM）的紋理特徵萃取流程，從不同距離與方向計算對比度、相關性、能量與同質性等指標，作為濁度預測模型輸入。以 PP 塑膠在 60–100°C、60 分鐘熱裂解實驗為案例，並同步以標準濁度計建立影像特徵與實測濁度對應資料庫，初步結果顯示，不同溫度與降解條件下的微粒結構具可分辨的紋理差異，證實該方法可望用於精準水污染與微塑膠風險偵測之量化分析基礎。

This work presents an integrated water pollution analysis system that combines a Z-type schlieren optical setup with near-infrared spectroscopy to monitor microparticles generated during the thermal degradation of plastic materials in water. The proposed framework exploits the high sensitivity of schlieren imaging to visualize subtle density variations and employs near-infrared spectral measurements to assist particle size and concentration assessment. A feature extraction pipeline based on Gray Level Co-occurrence Matrix (GLCM) is developed, where contrast, correlation, energy, and homogeneity calculated over multiple distances and directions serve as inputs to a turbidity prediction model. Experiments on PP plastics thermally degraded between 60–100°C for 60 minutes, with synchronized measurements from a standard turbidimeter, establish a correspondence database between image-derived features and turbidity values. Preliminary results indicate that microparticle structures formed under different degradation conditions exhibit clearly distinguishable texture signatures, demonstrating the feasibility of the proposed approach as a quantitative, high-precision tool for microplastic-related water pollution monitoring and future turbidity prediction model development. The study incorporates flow velocity sensors for cross-validation to ensure analytical reliability. This innovative methodology not only reveals the blocking effects of masks on airflow propagation pathways and velocities but also provides objective scientific data to support public health epidemic prevention strategies, demonstrating significant practical application value.

關鍵字 Keywords

彩色紋影技術 Color Schlieren Techniques
微塑膠污染 Microplastic pollution
灰階共生矩陣 Gray Level Co-occurrence Matrix (GLCM)
濁度預測 Turbidity prediction
塑膠熱降解 Plastic thermal degradation

研究結果示例

<p>圖示上排左側呈現雙光源配置的 Schlieren 光學架構，透過精密透鏡組與 CMOS 相機捕捉水中微粒子造成的折射率梯度變化，此設計對微米級塑膠熱降解產物具有極高靈敏度。</p> <p>影像處理流程從原始低對比度 Schlieren 影像（上排中央灰色區塊）開始，經對比度增強與雜訊抑制後生成增強型影像（右側第二張），使微粒子密度擾動以明亮局部特徵呈現。右側影像展示自動化目標偵測結果，綠色輪廓標註微粒子邊界，紅點標記質心位置，實現即時計數與尺寸統計。下排四張影像呈現 GLCM 紋理特徵提取的多階段轉換過程。左側二值化遮罩分離前景與背景，灰階強度場保留原始光強度資訊供後續統計計算，第三張影像量化特定方向的紋理統計量（如對比度或能量空間分布），最右側熱圖整合多方向（0°, 45°, 90°, 135°）與多距離參數的 GLCM 特徵，色階 0–250 編碼數值範圍，紅色高值區域對應微粒子密集或紋理複雜度峰值區塊。</p> <p>實驗設計以 PP 塑膠在 60–100°C 熱降解 60 分鐘為條件，同步記錄標準濁度計讀值與 Schlieren 影像資料。不同降解條件產生的微粒子結構在 GLCM 四維特徵空間（對比度、相關性、能量、均勻性）中展現可區分的紋理，初步驗證了透過光學特徵預測濁度值的可行性，為非接觸式微塑膠污染定量監測提供高精度工具原型。</p>

引用格式 BibTeX

@inproceedings{zhou2025automation,
  author    = {Jia-Ming Zhou and Wen-Lin Chu and Bo-Lin Jian},
  title     = {Quantitative Water Pollution Analysis System Integrating GLCM Image Features with Schlieren Imaging Technology},
  booktitle = {The 22nd International Conference on Automation Technology (Automation 2025)},
  year      = {2025},
  month     = {November},
  address   = {Kaohsiung, Taiwan}
  url       = {https://automation2025.nsysu.edu.tw}
}

基於乳牛臀部深度影像的實際體重估計方法

Mon, 28 Oct 2024 00:00:00 GMT

import { Badge } from '@astrojs/starlight/components'; import PublicationMeta from '../../../../components/PublicationMeta.astro';

基於乳牛臀部深度影像的實際體重估計方法

周家銘、彭楚文、朱玟霖、江信毅、蔡筱萍

摘要 Abstract

隨著現代農業科技的快速發展，精準畜牧業逐漸成為提升管理效率、降低成本，並促進動物健康的重要趨勢。傳統的體重估計技術主要依賴磅秤來測量體重，此方法非常耗時，並且需要大量人力引導牛隻到磅秤區域。為了解決以上傳統牧場所面臨的挑戰，本研究以非接觸的方式獲取牛隻臀部影像資料，透過影像處理技術從深度影像中精確提取臀部特徵，並蒐集牧場測量的實際體重作為驗證資料。以此開發一種新的體重估計方法，利用標準物量化實驗來確定距離、像素與實際面積的相關性，進而建構指數回歸型模型來定義臀部面積。接著，將以上提取的特徵用於機器學習和回歸分析建立乳牛實際體重估計模型。此方法在成年乳牛的體重估計中表現較為出色，無需接觸乳牛的優勢，來快速預測體重資料，並且可實時監測乳牛體重變化，協助牧場即時調整飼養策略。未來的研究將致力於技術的優化（如機器學習模型），提升體重預測的精確度和速度。挑戰在不同環境中的通用性以及實現自動化技術，進一步促進精準畜牧業的智能化發展。

關鍵字 Keywords

乳牛體重預測
影像處理
機器視覺
指數回歸型模型
精準畜牧業

研究結果示例

深度影像透過形態學操作處理後，再使用分類器將影像分類出完整臀部影像。左圖標示（NG），表示無完整臀部影像，右圖標示（OK），表示有完整臀部影像。接著使用完整有效的臀部影像，進行標準物量化實驗來確定距離、像素與實際面積的相關性，進而建構指數回歸型模型來估算牛隻體重。

引用格式 BibTeX

@inproceedings{zhou2024biomech,
  author    = {周家銘、彭楚文、朱玟霖、江信毅、蔡筱萍},
  title     = {基於乳牛臀部深度影像的實際體重估計方法},
  booktitle = {2024 農機與生機學術研討會},
  year      = {2024},
  month     = {10},
  address   = {Taichung, Taiwan}
  url       = {https://sites.google.com/view/2024amebe}
}

針對荷蘭牛非妊娠期及分娩後階段體重預測的應用

Sat, 01 Nov 2025 00:00:00 GMT

import { Badge, Tabs, TabItem } from '@astrojs/starlight/components'; import PublicationMeta from '../../../../components/PublicationMeta.astro';

Application of weight prediction for Holstein dairy cows in non-pregnant and postpartum stages

摘要 Abstract

本研究基於深度感測技術開發一套針對荷蘭乳牛（Holstein dairy cow）的非接觸式體重預測系統，用以預測乳牛在非妊娠期與產後階段的體重變化。系統使用 Intel RealSense D455 深度攝影機擷取乳牛背部、髖部與側面區域的深度影像資訊，並透過系統化的資料處理流程萃取有效的體表特徵資料。實驗結果顯示，高斯過程回歸模型（Gaussian Process Regression，GPR）在乳牛背部區域的表現最佳。例如，於非妊娠期的乳牛編號 cid603，其預測精度達均方根誤差 (RMSE) 19.37 kg 與平均絕對百分比誤差 (MAPE) 1.82 %；在產後階段的乳牛編號 cid700，模型維持 RMSE = 22.35 kg 與 MAPE = 2.74 %，展現出良好的模型泛化能力。與傳統以體長與胸圍測量為基礎的牧場估重方法相比，本研究所提出的體重預測系統在準確度與穩定性上均有顯著提升，特別能有效捕捉生理狀態變化（如產後體重下降）。實驗結果顯示，使用背部區域特徵資料的 GPR 模型具最佳預測與泛化能力，能有效支援乳牛體重的精準監測。未來研究方向應著重於優化影像前處理技術、結合更多生理參數（如飼料攝取量），並融合多角度深度資訊，以提升系統於複雜環境下的適應性，進而強化體重預測模型的普適性與可靠性。

A non-contact weight prediction system for Holstein dairy cows was developed based on depth sensing technology, designed to predict weight changes during non-pregnant and postpartum stages. The system utilises an Intel RealSense D455 depth camera to capture depth image information from cow's dorsal, hips, and side regions, extracting effective body surface feature data through a systematic data processing workflow. Experimental results demonstrate that the Gaussian Process Regression (GPR) model performed most excellently in the cow's dorsal region. For example, with cow number cid603 during the non-pregnant period, prediction accuracy reached a root mean square error (RMSE) of 19.37 kg and a mean absolute percentage error (MAPE) of 1.82 %; with cow number cid700 in the postpartum stage, the model maintained an RMSE of 22.35 kg and MAPE of 2.74%, exhibiting robust model generalisation capability. Compared to traditional farm methods based on body length and heart girth measurements, the weight prediction system proposed in this study significantly improved the accuracy and stability of weight prediction, especially in capturing physiological state changes (such as postpartum weight loss). Experimental results indicate that the GPR model exhibited the best predictive ability and generalisation with feature data from the dorsal region, effectively supporting precise monitoring of dairy cow weight. Future research directions should focus on optimising image preprocessing techniques, incorporating more physiological parameters (such as feed intake), and integrating depth information from different angles to enhance the system's adaptability in complex environments, thereby strengthening the universality and reliability of the weight prediction model.

關鍵字 Keywords

產後階段 Postpartum stages
體重預測 Body weight prediction
健康監測 Health monitoring
機器學習 Machine learning

亮點 Highlights

與傳統方法相比，深度影像技術能精確預測荷斯坦乳牛體重。
透過深度影像擷取之體表特徵可用於體重預測模型的建構。
高斯過程回歸 (Gaussian Process Regression，GPR) 使用背部區域資料時達到最佳準確度。
GPR 模型具有高精度：非妊娠期 MAPE = 1.82 %，產後期 MAPE = 2.74 %。
系統可監測乳牛於不同生理狀態（如產後）期間的體重變化。

Depth imaging accurately predicts Holstein cattle weight vs traditional methods.
Body surface features from depth imagery enable weight prediction modelling.
Gaussian Process Regression achieves optimal accuracy using dorsal region data.
GPR model shows high accuracy: non-pregnant (MAPE 1.82 %) & postpartum (MAPE 2.74 %).
System monitors weight changes during physiological states like postpartum.

研究結果示例

<Tabs> <TabItem label="Overview"> <p>為了開發一套穩健的非接觸式影像體重預測系統，本研究以下圖所示之實驗流程為核心架構，系統性地進行實驗設計與資料分析。本研究使用深度攝影機蒐集實驗乳牛之側面、背部與臀部的影像資料，並針對各部位之深度資訊進行處理。資料處理流程包括乳牛辨識、缺值補插 (Missing value imputation)、距離濾波 (Distance filtering)、形態學運算 (morphological operations) 與連通元件分析 (connected component analysis)，以獲得更完整的乳牛體表深度資訊並有效濾除多餘的深度雜訊。隨後，透過影像分類器篩選各部位之有效且高品質影像，並利用校正板面積建立各部位的面積擬合模型。其他特徵資料包含乳牛身高、各部位像素數量，以及乳牛各部位與攝影機之間的距離（取平均值與中位數）。最後，本研究採用前饋式神經網路 (Feedforward Neural Network，FNN) 與高斯過程回歸模型 (Gaussian Process Regression，GPR) 進行體重預測，並對預測結果進行評估。</p> </TabItem> <TabItem label="System setup"> <p>為確保能有效擷取乳牛影像，本研究調整了各攝影機位置的地面距離 (D) 與角度 (θ)。側面、背部與髖部攝影機的地面距離分別為 D₁ = 212 cm、D₂ = 195.7 cm、D₃ = 276.8 cm；拍攝角度分別為 θ₁ = 50°、θ₂ = 90°、θ₃ = 40°。此外，位於牛舍屋簷下橫樑與屋簷本身的地面距離分別為 D₄ = 327 cm 與 D₅ = 382 cm。透過上述硬體配置，本研究將電子秤台尺寸劃分為座標點，作為去除深度影像背景以及估算乳牛各部位面積特徵的量化依據。</p> </TabItem> <TabItem label="Weight prediction results"> <p>下圖比較了乳牛編號 cid603 在背部、臀部及側面三個區域的每週實際體重（綠色曲線，取自電子秤台測量值）、FNN 模型預測結果（藍色曲線）、GPR 模型預測結果（青色曲線），以及牧場估重值（洋紅色曲線，根據體長與胸圍量測推估）。在訓練階段（第 1 至第 9 週），FNN 與 GPR 模型的預測結果皆與實際體重曲線相近，顯示兩者具良好的訓練擬合能力；而測試階段（第 10 至第 16 週，以淡紫色背景標示）則用於評估模型的泛化能力。</p> <p>結果顯示，在測試階段中，FNN 與 GPR 模型於背部區域的預測誤差最小，其預測穩定性亦優於臀部與側面區域。特別值得注意的是，GPR 模型在背部區域的預測結果與實際體重變化趨勢最為接近。雖然 GPR 模型在整體訓練資料上的表現略遜於 FNN 模型，但在非妊娠乳牛的測試資料集上卻展現出更佳的泛化能力。相對地，牧場以體長與胸圍推估的體重在三個區域中皆與實測值有明顯偏差，特別是在測試階段，其曲線波動大、誤差高，凸顯傳統體尺估重方法在準確性上的限制。</p>
</TabItem> </Tabs>

引用格式 BibTeX

@article{CHIANG2025104276,
title = {Application of weight prediction for Holstein dairy cows in non-pregnant and postpartum stages},
journal = {Biosystems Engineering},
volume = {259},
pages = {104276},
year = {2025},
issn = {1537-5110},
doi = {https://doi.org/10.1016/j.biosystemseng.2025.104276},
url = {https://www.sciencedirect.com/science/article/pii/S1537511025002120},
author = {Hsin-I Chiang and Jia-Ming Zhou and Wen-Lin Chu},
keywords = {Postpartum stages, Body weight prediction, Health monitoring, Machine learning},
abstract = {A non-contact weight prediction system for Holstein dairy cows was developed based on depth sensing technology, designed to predict weight changes during non-pregnant and postpartum stages. The system utilises an Intel RealSense D455 depth camera to capture depth image information from cow's dorsal, hips, and side regions, extracting effective body surface feature data through a systematic data processing workflow. Experimental results demonstrate that the Gaussian Process Regression (GPR) model performed most excellently in the cow's dorsal region. For example, with cow number cid603 during the non-pregnant period, prediction accuracy reached a root mean square error (RMSE) of 19.37 kg and a mean absolute percentage error (MAPE) of 1.82 %; with cow number cid700 in the postpartum stage, the model maintained an RMSE of 22.35 kg and MAPE of 2.74 %, exhibiting robust model generalisation capability. Compared to traditional farm methods based on body length and heart girth measurements, the weight prediction system proposed in this study significantly improved the accuracy and stability of weight prediction, especially in capturing physiological state changes (such as postpartum weight loss). Experimental results indicate that the GPR model exhibited the best predictive ability and generalisation with feature data from the dorsal region, effectively supporting precise monitoring of dairy cow weight. Future research directions should focus on optimising image preprocessing techniques, incorporating more physiological parameters (such as feed intake), and integrating depth information from different angles to enhance the system's adaptability in complex environments, thereby strengthening the universality and reliability of the weight prediction model.}
}

建立動態彩色紋影系統以觀察氣流並預測溫度變化之研究

Fri, 15 Mar 2024 00:00:00 GMT

import { Badge, Tabs, TabItem } from '@astrojs/starlight/components'; import PublicationMeta from '../../../../components/PublicationMeta.astro';

A Study on Establishing a Dynamic Color Schlieren System to Observe Airflow and Predict Temperature Changes

Bo-Lin Jian and Jia-Ming Zhou

摘要 Abstract

彩色紋影技術（Color Schlieren Technique）利用彩色濾光片來視覺化不可見的流體波動（例如氣流與聲波），並透過動態色彩分布進行氣流溫度的評估。與紅外線熱影像技術相比，此方法在細節分析上具有顯著優勢。本研究採用低成本的透明投影膠片作為彩色濾光片之材料，以提升流場變化的直覺感知性。然而，雷射列印過程中產生的劃痕會導致影像霧化，進而降低色彩飽和度。為改善此問題，本研究引入影像除霧技術，以提升影像品質。此外，研究採用前饋式類神經網路（Feedforward Neural Network，FNN）建立基於紋影影像動態色彩分布的溫度預測模型，並以皮爾森相關係數（Pearson Correlation Coefficient）與均方誤差（Mean Square Error，MSE）等指標評估模型準確度。結果顯示，該模型達到極高的皮爾森相關係數（0.99848）與低均方誤差（0.6663），展現出優異的溫度預測能力。此方法證實可行於非接觸式高溫流體分析，對流體動力學研究具有重要的參考價值。

Color schlieren technique visualizes invisible fluid waves (e.g., airflows, sound waves) by utilizing color filters for airflow temperature evaluation through dynamic color distribution, offering detailed analysis advantages over infrared thermal imaging. This study adopts low-cost, transparent projector films as color filters, enhancing intuitive perception but introducing haze due to laser printing scratches, which reduces image saturation. Image dehazing techniques are applied to address this, improving image quality. Additionally, a Feedforward neural network (FNN) is used to establish a temperature prediction model based on the dynamic color distribution of Schlieren images, with the Pearson correlation coefficient and Mean Square Error (MSE) evaluating the model's accuracy. Results show a high Pearson correlation (0.99848) and low MSE (0.6663), indicating the model's excellent predictive capability. This approach proves feasible for non-invasive, high-temperature fluid analysis, presenting a significant advancement in fluid dynamics research.

關鍵字 Keywords

氣流視覺化 Airflow visualization
彩色濾光片 Color filter
紋影彩色溫度圖 Schlieren color temperature image
紋影預測溫度 Schlieren predicted temperature
溫度預測模型 Temperature prediction model

研究結果示例

<Tabs> <TabItem label="System Overview"> <p>本研究使用曲率半徑 4080 mm、直徑 250 mm 及焦距 2040 mm 的天文用凹面鏡，以及結合 9 W 特定電流調光器的 LED 光源與解析度為 2448×2048 的 CMOS 攝影機，作為擷取紋影影像的主要儀器。單鏡離軸光路紋影系統如圖所示。</p> </TabItem> <TabItem label="Visualization"> <p>該圖結果顯示，彩色紋影影像的色彩變化隨溫度而變，動態溫度色彩變化過程展示於下方影片。另一方面，氣流的相對溫度可從圖中下方的氣流熱影像觀察得知，該影像僅用於呈現本實驗的觀察結果。</p> <div style="position: relative; padding-bottom: 56.25%; height: 0; overflow: hidden; max-width: 100%; margin-bottom: 1rem;"> <iframe src="https://www.youtube.com/embed/_kaX5S2Hd14" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" referrerpolicy="strict-origin-when-cross-origin" allowfullscreen style="position: absolute; top: 0; left: 0; width: 100%; height: 100%; border-radius: 8px;" ></iframe> </div> </TabItem> <TabItem label="Comparison"> <p>原始樣本與新樣本溫度預測結果比較</p> </TabItem> </Tabs>

引用格式 BibTeX

@ARTICLE{10437989,
  author={Jian, Bo-Lin and Zhou, Jia-Ming},
  journal={IEEE Transactions on Computational Imaging}, 
  title={A Study on Establishing a Dynamic Color Schlieren System to Observe Airflow and Predict Temperature Changes}, 
  year={2024},
  volume={10},
  number={},
  pages={291-303},
  abstract={Color schlieren technique visualizes invisible fluid waves (e.g., airflows, sound waves) by utilizing color filters for airflow temperature evaluation through dynamic color distribution, offering detailed analysis advantages over infrared thermal imaging. This study adopts low-cost, transparent projector films as color filters, enhancing intuitive perception but introducing haze due to laser printing scratches, which reduces image saturation. Image dehazing techniques are applied to address this, improving image quality. Additionally, a Feedforward neural network (FNN) is used to establish a temperature prediction model based on the dynamic color distribution of Schlieren images, with the Pearson correlation coefficient and Mean Square Error (MSE) evaluating the model's accuracy. Results show a high Pearson correlation (0.99848) and low MSE (0.6663), indicating the model's excellent predictive capability. This approach proves feasible for non-invasive, high-temperature fluid analysis, presenting a significant advancement in fluid dynamics research.},
  keywords={Image color analysis;Optical filters;Temperature measurement;Fluids;Temperature distribution;Imaging;Atmospheric modeling;Airflow visualization;color filter;schlieren color temperature image;schlieren predicted temperature;temperature prediction models},
  doi={10.1109/TCI.2024.3365369},
  ISSN={2333-9403},
  month={}
}

利用動態彩色紋影成像強化氣流速度預測

Sat, 30 Nov 2024 00:00:00 GMT

import { Badge, Tabs, TabItem } from '@astrojs/starlight/components'; import PublicationMeta from '../../../../components/PublicationMeta.astro';

Leveraging Dynamic Color Schlieren Imaging for Enhanced Airflow Velocity Prediction

Wen-Lin Chu, Jia-Ming Zhou, and Bo-Lin Jian

摘要 Abstract

本研究利用彩色紋影影像固有的色彩變化與紋理結構來視覺化氣流動態，並發展出一套氣流速度預測方法，該方法經由氣流速度感測器驗證。首先，建立彩色紋影光學硬體系統，並執行光路校正以獲取高品質影像。隨後，實作速度控制模組，透過調節風扇轉速來控制氣流速度。藉由調變加熱器溫度，取得更豐富的影像資訊。在取得連續彩色紋影影像與對應速度資料後，採用非線性輸入-輸出 (NIO) 網路進行時間序列分析，建構基於紋影的速度預測模型。透過比較單區域與多區域紋影資料的特徵萃取，評估模型效能。效能指標包含均方根誤差 (RMSE)、平均絕對誤差 (MAE)、平均絕對百分比誤差 (MAPE) 與決定係數 (R²)。實驗結果證明速度預測的可行性：動態影像的單區域分析能預測氣流速度趨勢，而多區域資訊顯著提升預測準確度，能精確預測整個流場中詳細的速度變化。

This research utilizes the color variations and texture formations inherent in color Schlieren imaging to intuitively record airflow dynamics. It further establishes a predictive method for airflow velocity, which is corroborated by an airflow velocity sensor. Initially, we set up a color Schlieren optical hardware system and performed optical path correction to obtain high-quality images. Next, we established a velocity control module, adjusting fan speed to control airflow velocity. Additionally, we obtained richer image information by adjusting the heater’s temperature. After collecting consecutive color Schlieren images and velocity data, we used a nonlinear input-output network (NIO network) for time series to build a model predicting velocity based on Schlieren. We evaluated this model by comparing the extraction of Schlieren features in a single area versus multiple areas. Finally, we used root mean squared error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE), and coefficient of determination as evaluation metrics for the model’s predictive capability. Experimental results indicate the feasibility of velocity prediction, and under the information of a single area in dynamic images, we can predict the trend of airflow velocity. When using information from multiple areas, the prediction model exhibits better predictive performance, accurately predicting the detailed changes in overall velocity.

關鍵字 Keywords

氣流速度控制模組 Airflow velocity control module
氣流速度預測 Airflow velocity prediction
彩色紋影動態成像 Color Schlieren dynamic imaging
非線性輸入-輸出 (NIO) 網路 Nonlinear input–output network (NIO network) for time series
紋影影像測速 Schlieren image velocimetry (SIV)

研究結果示例

<Tabs> <TabItem label="System Overview"> <p>本系統使用單色白光源進行照明，並透過濾色片將其分離為不同波長的光束。這些光束在穿過流體後，因不同折射率而產生不同折射角，造成色彩偏移。經由凹面鏡反射，這些光束聚焦於 CMOS 攝影機上，形成彩色紋影影像。在距離反射鏡兩倍焦距處，需設置圓形截止擋板，以利更清晰地觀察流體動態，如圖所示。</p> </TabItem> <TabItem label="Velocity measurement"> <p>為建立穩健的流速預測模型，本研究設置六個位置點（Pos1 至 Pos6）作為多區域影像裁切的中心點，如圖所示。圖中各位置點之間的距離為 1 公分。訓練前，每張彩色紋影影像的感興趣區域 (ROI) 被分割為六個區域。這六個區域對應於圖中的六個位置，以更佳地觀察彩色紋影影像中的速度變化。本研究不僅使用整個 ROI 的單一區域進行像素特徵萃取，亦考量多區域像素特徵萃取方法。</p> </TabItem> <TabItem label="ROI image positioning"> <p>在彩色紋影影像中，圖 (a) 中的定位桿與流量感測器作為 ROI 區域的寬度基準，確保定位桿不干擾氣流方向。此定位方法有助於選取尺寸為 132×174×3 的 ROI 影像，如圖 (b) 所示。</p> </TabItem> <TabItem label="Comparison"> <p>圖中所示的預測結果代表根據 ROI 影像預測的平均流速。使用單一區域與多區域的預測結果進行比較。多區域的預測結果與實際流速的誤差較小(測試資料也是如此)。</p> </TabItem> </Tabs>

引用格式 BibTeX

@ARTICLE{10771632,
  author={Chu, Wen-Lin and Zhou, Jia-Ming and Jian, Bo-Lin},
  journal={IEEE Sensors Journal}, 
  title={Leveraging Dynamic Color Schlieren Imaging for Enhanced Airflow Velocity Prediction}, 
  year={2025},
  volume={25},
  number={2},
  pages={2341-2351},
  abstract={This research utilizes the color variations and texture formations inherent in color Schlieren imaging to intuitively record airflow dynamics. It further establishes a predictive method for airflow velocity, which is corroborated by an airflow velocity sensor. Initially, we set up a color Schlieren optical hardware system and performed optical path correction to obtain high-quality images. Next, we established a velocity control module, adjusting fan speed to control airflow velocity. Additionally, we obtained richer image information by adjusting the heater’s temperature. After collecting consecutive color Schlieren images and velocity data, we used a nonlinear input-output network (NIO network) for time series to build a model predicting velocity based on Schlieren. We evaluated this model by comparing the extraction of Schlieren features in a single area versus multiple areas. Finally, we used root mean squared error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE), and coefficient of determination as evaluation metrics for the model’s predictive capability. Experimental results indicate the feasibility of velocity prediction, and under the information of a single area in dynamic images, we can predict the trend of airflow velocity. When using information from multiple areas, the prediction model exhibits better predictive performance, accurately predicting the detailed changes in overall velocity.},
  keywords={Image color analysis;Optical sensors;Optical imaging;Cameras;Optical filters;Optical refraction;Fluids;Filters;Optical variables control;Optical reflection;Airflow velocity control module;airflow velocity prediction;color Schlieren dynamic imaging;nonlinear input-output network (NIO network) for time series;Schlieren image velocimetry (SIV)},
  doi={10.1109/JSEN.2024.3504564},
  ISSN={1558-1748},
  month={Jan}
}

Windows CUDA & cuDNN 開發環境建置指南

Tue, 18 Mar 2025 00:00:00 GMT

import { Steps, Tabs, TabItem, FileTree, Badge, Card, CardGrid, LinkCard, Aside, Icon } from '@astrojs/starlight/components';

CUDA (Compute Unified Device Architecture) 是 NVIDIA 顯卡的靈魂，它讓 GPU 不只是打遊戲的顯卡，而是能進行平行運算的超級計算機。搭配 cuDNN (Deep Neural Network Library)，我們才能在 PyTorch 或 TensorFlow 中使用 GPU 加速模型訓練。

這篇指南在 Windows 環境下正確安裝與配置這些核心組件。了解其中配置後，也可於 Linux 環境下進行類似配置。

:::tip[為什麼這很重要？] 環境配置是 AI 開發的第一道門檻。版本不匹配（Mismatch）是開發者/研究者要花費大量時間去排除的問題。搞定一次正確的安裝與配置，可以省下未來無數小時排除 RuntimeError 的時間。 :::

1. 顯卡驅動程式更新

在安裝 CUDA 之前，擁有一個健康的驅動程式版本是必須的。

<Steps>

檢查系統資訊

右鍵點擊桌面空白處，進入 NVIDIA Control Panel (控制面板)，點擊左下角的「系統資訊」。
確認當前版本

在系統資訊中，你可以看到目前的驅動程式版本與支援的最高 CUDA 版本。
下載最新驅動

前往 NVIDIA 驅動程式下載頁面。

:::note[Studio Driver 還是 Game Ready?]
- Game Ready Driver: 針對最新遊戲優化，更新頻率高。
- Studio Driver: 針對創作軟體（Blender, Premiere）與穩定性優化。
建議：做深度學習開發，兩者皆可。若不常玩最新 3A 大作，Studio Driver 通常比較穩定。 :::
安裝與重啟

下載後執行安裝程式，安裝過程中螢幕閃爍黑屏是正常現象。安裝完成後，請務必重新啟動電腦以套用變更。
驗證驅動程式

重新啟動電腦後，驗證驅動程式版本是否正確。

</Steps>

2. 安裝 CUDA Toolkit

CUDA Toolkit 包含了編譯器、開發工具與 runtime libraries。

若要查看官方版本的安裝流程，請參閱 CUDA Installation Guide for Microsoft Windows。

:::note[概述]

CUDA（Compute Unified Device Architecture，統一計算設備架構）是由 NVIDIA 開發的並行計算平台與程式設計模型，利用 NVIDIA GPU 的強大計算能力，加速科學計算、影像處理與機器學習等任務。它透過將運算任務分配至 GPU 的數千個核心，實現高效能並行處理。
cuDNN（CUDA Deep Neural Network Library，CUDA 深度神經網路庫）是 NVIDIA 針對深度學習優化的高效能程式庫，建立在 CUDA 之上。 :::

<Steps>

確認版本需求

並非越新越好！請先確認你的深度學習框架（PyTorch/TensorFlow）支援的版本。
- PyTorch 版本對照表
- CUDA Toolkit Archive
<Tabs> <TabItem label="CUDA Toolkit 選擇示例"> <p>本範例使用 CUDA 12.8.1 作為示範。</p> <p>請注意，需確認 Pytorch 支援的版本。</p> </TabItem> <TabItem label="Pytorch 選擇示例"> <p>配合 CUDA Toolkit 版本選擇 Pytorch 版本</p> </TabItem> </Tabs>

選擇安裝包類型

在下載頁面，你會看到兩種安裝類型：

類型	Network (exe)	Local (exe)
檔案大小	小 (~13.7 MB)	大 (~3.3 GB)
安裝方式	安裝時需連網下載	離線安裝 (包含所有元件)
建議	網速快可選此項	推薦 (避免安裝中斷)

執行安裝

執行下載的 .exe 檔。對於大多數使用者，選擇 "Express (快速)" 安裝即可。

若你是進階使用者，需要多版本共存，可選擇 "Custom (自訂)" 並取消勾選 Driver (因為第一步已經裝了最新的)。
驗證環境變數

安裝程式通常會自動加入環境變數。檢查 CUDA_PATH 是否存在：
1. 搜尋 "編輯系統環境變數"
2. 點擊 "環境變數"
3. 在系統變數中尋找 CUDA_PATH
若未出現請查找是否有該資料夾，並將以下路徑添加：

變數名稱路徑

CUDA_PATH C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8

CUDA_PATH_V12_8 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8

打開終端機 (PowerShell / CMD) 輸入驗證指令：
```
nvcc -V
```
若看到類似 Cuda compilation tools, release 12.x, V12.x.x 的輸出，即代表安裝成功。

變數名稱	路徑
CUDA_PATH	C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8
CUDA_PATH_V12_8	C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8

</Steps>

3. 配置 cuDNN

cuDNN 是加速神經網路運算的關鍵函式庫，它不是執行檔，而是一包需要手動放置的二進位檔案。

<Steps>

下載 cuDNN

前往 cuDNN Archive (需登入 NVIDIA 開發者帳號)。請下載與你的 CUDA 版本 (12.x for CUDA 12.x) 對應的 Zip 檔案。

而下載的 cuDNN 版本（cuDNN v8.x.x）是 NVIDIA 對函式庫更新的版本。
解壓縮與檔案搬移

解壓縮下載的 zip 檔，你會看到 bin, include, lib 等資料夾。我們需要將這些檔案複製到 CUDA 的安裝目錄中。

預設 CUDA 路徑：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x

請依序進行以下複製操作 (系統可能會要求管理員權限)：

<FileTree>
- 解壓縮資料夾/
  - bin/
    - cudnn.dll* ➡️ 複製到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x\bin
  - include/
    - cudnn.h* ➡️ 複製到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x\include
  - lib/
    - x64/
      - cudnn.lib* ➡️ 複製到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x\lib\x64 </FileTree>
- bin\cudnn*.dll 複製到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x\bin
- include\cudnn*.h 複製到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x\include
- lib\x64\cudnn*.lib 複製到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x\lib\x64
:::caution[路徑要在哪？] 請確保是合併 (Merge) 或複製檔案進去，不要直接取代或刪除原本的資料夾！ :::
檢查 cuDNN 環境變數

確保 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x\bin 已加入系統環境變數 Path。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x\lib\x64 不需要加入系統環境變數 Path 中（由編譯器配置處理）。

路徑用途是否加入 PATH

...\CUDA\v12.x\bin 運行時載入 .dll 檔案是

...\CUDA\v12.x\lib\x64 編譯時連結 .lib 檔案否（由編譯器配置處理）
- 確保運行時能找到 .dll 檔案（需將 bin 加入 PATH）。
- 確保編譯時能找到 .lib 檔案（由編譯器配置處理）。
- 若需要指定 lib\x64 路徑，可在編譯器設定中配置（例如 Visual Studio 的庫路徑）。
:::tip[部署備註] 此流程適用於快速部署 CUDA 與 cuDNN，若需更進階配置（如多版本並存或 Conda 環境），可進一步調整路徑與管理方式。如需最新資訊，建議參考 NVIDIA 官方文件。 :::

路徑	用途	是否加入 PATH
`...\CUDA\v12.x\bin`	運行時載入 `.dll` 檔案	是
`...\CUDA\v12.x\lib\x64`	編譯時連結 `.lib` 檔案	否（由編譯器配置處理）

</Steps>

4. 驗證與測試

環境裝好了，真的能跑嗎？讓我們用 Python 實測一下。

在終端機輸入 nvidia-smi 看出驅動對應的「最高 CUDA 版本」（例如顯示 CUDA Version: 12.3）。

建立測試環境

建議使用 Conda 隔離環境，避免與系統 Python 衝突。

# 建立 Python 3.11 環境
conda create -n test_gpu python=3.11 -y

# 啟動環境
conda activate test_gpu

# 安裝 PyTorch (請依官網指令調整版本)
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128

:::tip[CUDA 版本相容性] CUDA 具備向下相容性，詳見常見問題-驅動太新會影響舊版 CUDA 嗎？。 :::

跑個測試腳本

建立一個 gpu_test.py 檔案與執行：

import torch
import torch.nn as nn

print("="*40)
print(f"PyTorch Version: {torch.__version__}")
print(f"CUDA Available:  {torch.cuda.is_available()}")

if torch.cuda.is_available():
    device = torch.device("cuda")
    print(f"Device Name:     {torch.cuda.get_device_name(device)}")
    print(f"CUDA Version:    {torch.version.cuda}")
    
    # 簡單的卷積運算測試 cuDNN
    try:
        model = nn.Conv2d(1, 1, 3).to(device)
        data = torch.randn(1, 1, 64, 64).to(device)
        out = model(data)
        print("✓ cuDNN Test Passed! Convolution executed successfully.")
    except Exception as e:
        print(f"✗ cuDNN Error: {e}")
else:
    print("✗ CUDA not detected.")
print("="*40)

執行結果若出現 ✓ cuDNN Test Passed!，恭喜你！你的 GPU 運算環境已經準備就緒。

常見問題 (Troubleshooting)

Q: `nvcc -V` 找不到指令？

A: 請確認 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x\bin 已經加入到系統環境變數的 Path 中。

Q: PyTorch 報錯 `AssertionError: Torch not compiled with CUDA enabled`

A: 你可能安裝到了 CPU 版本的 PyTorch。請使用 pip uninstall torch 移除後，務必加上 --index-url 指定 CUDA 版本的 whl 來源重新安裝。

Q: 驅動太新會影響舊版 CUDA 嗎？

A: 通常不會。NVIDIA 驅動有向下相容性 (Backward Compatibility)。新的驅動 (如 550.xx) 可以執行舊的 CUDA Toolkit (如 11.8) 編譯的程式。但反過來（舊驅動跑新 CUDA）是不行的。詳細的相容性規則（如 Minor Version Compatibility、Forward Compatibility）請參閱 CUDA 版本相容性。

技術文稿撰寫指南與文稿素養

Thu, 13 Feb 2025 00:00:00 GMT

import { Steps, Tabs, TabItem, Card, CardGrid, LinkCard } from '@astrojs/starlight/components';

概要

本指南整合中文文案排版、學術寫作與工程文件的實務經驗，適用於論文、技術報告、團隊文件等場景。內容涵蓋：

排版基礎：中英文混排空格、全形與半形標點的正確選用
術語規範：專有名詞大小寫、台灣學術慣用術語
AI 輔助寫作：常見 AI 語句特徵辨識與品質管控策略
Word 編輯：追蹤修訂、字元間距設定、圖表交互參照
圖形與公式：圖檔格式要求、流程圖配色、LaTeX 數學符號
自動化工具：Pangu.js、AutoCorrect 等格式檢查工具鏈

:::tip[核心原則] 事實上，Apple 台灣、Microsoft 台灣等企業發布的正式文件，也一律遵循此中英文間距排版規範。這並非個人偏好，而是業界公認的專業標準。 :::

空格規範

:::note[Word 使用者注意事項] 若在 Microsoft Word 中編輯，可使用「自動調整字元間距」功能（詳見 Word 文件編輯規範），無需手動加空格。但若文件需轉換為 Markdown、純文字或網頁格式，建議仍遵循手動加空格規範。 :::

中英文混排的空格使用

<Steps>

中英文之間必須增加空格

正確示範：在 LeanCloud 上，資料儲存是圍繞 AVObject 進行的。

錯誤示範：在LeanCloud上，資料儲存是圍繞AVObject進行的。
中文與數字之間必須增加空格

正確示範：今天實驗測得溫度為 25°C，濕度達到 85%。

錯誤示範：今天實驗測得溫度為25°C，濕度達到85%。
數字與單位之間必須增加空格

正確示範：我們的伺服器配備 128 GB RAM 和 2 TB NVMe SSD。

錯誤示範：我們的伺服器配備 128GB RAM 和 2TB NVMe SSD。

例外情況：度數（°）與百分比（%）不需要空格。 </Steps>

全形標點的空格規則

:::caution[常見錯誤] 全形標點符號（如中文逗號「，」、句號「。」、問號「？」等）與其他字元之間不應增加空格。 :::

正確示範：剛剛配置完 CUDA，終於可以跑深度學習（Deep Learning，DL）模型了！

錯誤示範：剛剛配置完 CUDA ，終於可以跑深度學習（Deep Learning, DL）模型了！

標點符號規範

全形與半形標點的選用

<Tabs syncKey="punct"> <TabItem label="中文語境" icon="seti:text"> 使用全形標點符號

正確示範：
核磁共振成像（NMRI）的原理是什麼？JFGI！

錯誤示範：
核磁共振成像(NMRI)的原理是什麼?JFGI!

</TabItem> <TabItem label="英文語境" icon="seti:text"> 使用半形標點符號

正確示範：
賈伯斯那句話是怎麼說的？「Stay hungry, stay foolish.」

錯誤示範：
賈伯斯那句話是怎麼說的？「Stay hungry，stay foolish。」

</TabItem> </Tabs>

標點符號的重複使用

:::danger[嚴格禁止] 重複使用感嘆號或問號會嚴重破壞文稿的專業性與美觀度。 :::

正確示範：實驗結果竟然與理論預測完全一致！

錯誤示範：實驗結果竟然與理論預測完全一致！！！實驗結果竟然與理論預測完全一致？！？！

中英文引號的差異

中文與英文的引號系統不同，混用會破壞排版一致性。

類型	中文引號	英文引號	用途
單引號	「」	' '	一般引用、術語標示
雙引號	『』	" "	引號內再引用（嵌套）

嵌套規則：

中文：外層用「」，內層用『』
英文：外層用 " "，內層用 ' '

正確示範：他說：「教授提到『這個方法不可行』，但我認為值得嘗試。」

錯誤示範：他說："教授提到'這個方法不可行'，但我認為值得嘗試。"

:::note[常見混淆] 台灣正體中文使用「」與『』，而非英文的 "" 與 ''。許多 AI 工具預設產出英文引號，需特別留意替換。 :::

專有名詞與術語規範

大小寫的正確使用

專有名詞必須遵循官方定義的大小寫格式，這是技術文件專業度的重要指標。

正確寫法	錯誤寫法
GitHub, GitLab, Google, Microsoft	github, Github, GITHUB
PyTorch, TensorFlow, OpenCV	pytorch, Pytorch, PYTORCH
JavaScript, TypeScript, Python	javascript, Javascript, JAVASCRIPT
macOS, iOS, Linux, Windows	macos, MacOS, MACOS
CUDA, cuDNN, NVIDIA	cuda, Cuda, nVidia

:::note[HTML/CSS 特殊處理] 當網頁需配合視覺風格而全部大寫或小寫時，HTML 中應使用標準大小寫，通過 CSS 的 text-transform 屬性控制顯示效果。 :::

台灣學術慣用術語 (以下簡要列舉，實際使用請依組織規範)

正確用語	錯誤用語	說明
資料	數據 (視組織規範)	例外：「大數據」已成專有名詞
軟體	軟件	台灣學術界慣用
網路	網絡	台灣學術界慣用
演算法	算法	台灣學術界慣用
畫格	幀、影格	台灣影像處理領域慣用
研究計畫	研究計劃	「計畫」指規劃性質
規劃	規畫	教育部推薦用字
訊息	信息	台灣學術界慣用

避免不道地的縮寫

正確示範：我們需要一位熟悉 TypeScript、HTML5，至少理解一種框架（如 React、Next.js）的前端開發者。

錯誤示範：我們需要一位熟悉 Ts、h5，至少理解一種框架（如 RJS、nextjs）的 FED。

AI 輔助寫作的陷阱

常見的 AI 語句模式 (以下簡要列舉，實際使用請依組織規範)

:::caution[AI 生成文字特徵] 以下過渡詞或表達方式容易暴露 AI 生成痕跡，應避免使用： :::

應避免的表達方式：

「旨在探討」→ 改為「本研究探討」或直接陳述
「創新性地」→ 改為「首次」或「提出新方法」
「值得注意的是」→ 改為「特別地」或「重要的是」
「聚焦於」→ 改為「專注於」或「針對」
「深度剖析」→ 改為「分析」或「探討」
「全方位」→ 改為「多方面」或具體列舉面向

改寫範例：

<Tabs syncKey="ai-rewrite"> <TabItem label="AI 生成版" icon="warning"> 本研究旨在探討深度學習模型在影像辨識領域的應用，創新性地提出了一種多尺度特徵融合架構。值得注意的是，該方法在多個基準資料集上均取得了顯著性能提升。 </TabItem> <TabItem label="人工改寫版" icon="approve-check"> 本研究探討深度學習模型在影像辨識的應用，提出多尺度特徵融合架構。實驗結果顯示，該方法在 COCO、ImageNet 等基準資料集上的平均精確度提升 12.3%。 </TabItem> </Tabs>

AI 輔助寫作的品質管控

現今 AI 輔助寫作工具已相當成熟，舉凡精煉、潤色、修辭調整皆可快速完成。然而，AI 生成的文字往往帶有特定語境的用詞偏差，尤其在中文繁簡體、台灣與中國大陸術語差異方面，幾乎必定出現不符合所屬組織規範的用語。

:::caution[AI 輸出 ≠ 可交付文件] 無論 AI 工具多先進，最終署名的是你，交出去的文件代表的是你的專業水準。每次使用 AI 輔助產出後，務必逐段檢查描述方式、語意表達與用詞是否符合組織規範。 :::

建議做法： 可投入時間為 AI 工具制定專屬的 Prompt 範本、Skills、Workflow 或 Agent 規則，從源頭約束輸出品質。但即便有了這些規範，人工審閱仍不可省略，因為規範降低的是出錯機率，而非歸零。

:::tip[最佳實踐] 使用 AI 進行修辭、精煉、潤色後，必須多次人工審閱，確保語句自然、符合學術規範，並移除所有 AI 特徵詞彙。 :::

Word 文件編輯規範

必備工具與設定

<Steps>

啟用追蹤修訂模式
- 位置：Word 上方工具列 → 「校閱」→ 「追蹤修訂」
- 目的：保留所有編輯歷程，便於協作與版本管理
開啟格式化標記
- 位置：「檔案」→ 「選項」→ 「顯示」
- 勾選：「空格標記」、「段落標記」、「隱藏文字」
- 目的：確保排版一致性，避免隱藏格式錯誤
設定自動調整字元間距（重要）
- 位置：選取內文樣式 → 右鍵 → 「修改樣式」→ 左下角格式選擇「段落」→ 「中文印刷樣式」標籤
- 勾選：「自動調整中文與英數字元間距」、「自動調整中文與數字的間距」
- 效果：Word 會自動在中英文之間添加微調間距，無需手動輸入空格
禁止自動壓縮影像
- 位置：「檔案」→ 「選項」→ 「進階」
- 取消勾選：「不壓縮檔案中的影像」
- 目的：保持圖片原始解析度
</Steps>

:::caution[Word 自動間距 vs 手動空格的抉擇] Word 自動調整字元間距的特性：

視覺效果：在 Word 與 PDF 中顯示有間距，排版美觀
複製行為：將 PDF 內容複製到純文字編輯器（Markdown、txt）時，會自動插入空格
跨平台限制：此功能僅在 Microsoft Word 生態系統中有效

手動加空格的特性：

通用性：在所有編輯器、網頁、純文字環境均一致
版本控制友善：Git diff 能明確顯示空格變更
符合本指南推薦：與 Markdown、程式碼註解等技術文件統一

建議策略：

Word 專屬文件（僅在 Word/PDF 流通）→ 使用自動調整功能
多平台技術文件（Markdown、網頁、程式碼）→ 手動加空格
團隊協作：優先遵循組織內部規範，確保一致性 :::

修訂標記的顏色規範

以下顏色規範僅供參考，實際使用請依組織規範。

標示顏色	修改類型	具體說明
紅色	刪除	移除內容並確保前後文邏輯順暢
青色	補充/疑問	新增內容、待查證資訊或存疑部分
黃色	修訂闡述	改寫表達方式或重新組織論述結構

圖表排版與交互參照

:::tip[圖形排版技巧] 圖形排版應使用表格進行定位，表格設定為「無框線」並開啟「檢視格線」，確保圖表精確對齊。 :::

圖表編號的正確做法：

插入圖片或表格後，使用「插入標號」功能自動編號 (需依組織規範呈現編號格式)
內文引用時使用「交互參照」而非手動輸入編號
好處：當圖表順序調整時，編號自動更新

範例說明：

-【圖 3】所示，模型的辨識精確度在不同測試條件下呈現穩定趨勢。 -《表 2》列出各演算法的運算時間比較。

圖形與流程圖規範

圖檔格式要求

<CardGrid> <Card title="向量圖形" icon="puzzle"> 推薦格式：SVG

- 適用場景：流程圖、架構圖、示意圖
- 優點：無限縮放不失真、檔案小
- 工具：Visio、draw.io、yEd

</Card> <Card title="點陣圖形" icon="document"> 推薦格式：高解析度 PNG

- 適用場景：螢幕截圖、實驗結果照片
- 最低解析度：800 × 800 像素
- 注意：引用文獻圖片需清晰可辨

</Card> </CardGrid>

Visio 匯出設定

:::caution[Visio PNG 匯出陷阱] 直接匯出 PNG 可能產生非預期的圖形符號或格式錯誤，務必確認以下設定： :::

推薦匯出步驟：

<Steps>

開啟 Visio 檔案，選擇「檔案」→ 「另存新檔」
檔案類型選擇「可攜式網路圖形 (*.png)」
點擊「選項」按鈕，設定：
- 解析度：800 DPI 以上
- 背景：透明（若需要）
- 尺寸：維持原始比例
匯出後檢查圖形完整性，確保無符號遺失 </Steps>

替代工具選擇：

工具	優勢	適用場景
draw.io	免費、跨平台、雲端儲存	系統架構圖、流程圖
yEd	自動排版、分層佈局	複雜網路拓撲圖
Visio	微軟生態整合、模板豐富	企業級專業圖表

流程圖配色原則

:::tip[配色工具推薦]

Coolors：快速產生和諧配色方案
Adobe Color：專業色彩搭配工具 :::

數學公式與參考文獻

MathType 公式編輯

:::note[工具安裝] MathType 為 Word 中最專業的數學公式編輯器，支援 LaTeX 語法與符號面板。請前往 MathType 官網下載安裝。 :::

公式編號規範：

正確示範 (使用半形括號)： E = $mc^2$ (1)

錯誤示範 (使用全形括號)：

E = $mc^2$ ...... (1)
E = $mc^2$ （1）

常用數學符號規範：

符號類型	LaTeX 語法	範例
希臘字母	`\alpha`, `\beta`	$\alpha, \beta, \gamma$
上標/下標	`x^2`, `x_i`	$x^2, x_i$
分數	`\frac{a}{b}`	$\frac{a}{b}$
求和	`\sum_{'{i=1}'}^n`	$\sum_{'{i=1}'}^{'{n}'}$
積分	`\int_a^b`	$\int_a^b$

EndNote 參考文獻管理

:::tip[EndNote 核心功能]

自動產生參考文獻列表
支援多種引用格式（IEEE、APA、Chicago 等）
與 Word 無縫整合，插入引用自動編號 :::

IEEE 格式引用範例：

<Tabs syncKey="ref-type"> <TabItem label="期刊論文" icon="document"> A. B. Smith and Y. K. Chen, "Deep learning for autonomous driving: A survey," IEEE Trans. Pattern Anal. Mach. Intell., vol. 43, no. 8, pp. 2345-2367, Aug. 2021, doi: 10.1109/TPAMI.2021.1234567. </TabItem> <TabItem label="研討會論文" icon="document"> A. B. Smith, "Real-time object detection using deep learning," in Proc. IEEE Conf. Comput. Vis. Pattern Recognit., Seattle, WA, USA, 2024, pp. 1234-1242. </TabItem> <TabItem label="書籍章節" icon="open-book"> C. D. Lee, Machine Learning Fundamentals, 3rd ed., Cambridge, MA, USA: MIT Press, 2023, pp. 456-489. </TabItem> <TabItem label="網頁資源" icon="external"> E. F. Wang. "Introduction to PyTorch." PyTorch Official. https://pytorch.org/tutorials/ (accessed Jan. 15, 2024). </TabItem> </Tabs>

自動化檢查工具

更多工具前往

Pangu.js 系列工具

pangu.js 能自動為中英文之間添加空格，支援多種程式語言與編輯器。

AutoCorrect 工具鏈

AutoCorrect 比 Pangu 更強大，支援自動修正標點符號、專有名詞大小寫等。

安裝與使用：

<Tabs syncKey="autocorrect"> <TabItem label="命令列工具" icon="seti:shell"> # 安裝（Rust 版本） cargo install autocorrect

# 檢查檔案
autocorrect --lint document.md

# 自動修正
autocorrect --fix document.md

</TabItem> <TabItem label="VS Code" icon="seti:vscode"> 在擴充功能市場搜尋「AutoCorrect」並安裝，即可在儲存檔案時自動格式化。 </TabItem> <TabItem label="CI/CD 整合" icon="seti:github"> # .github/workflows/lint.yml - name: Lint documents run: | cargo install autocorrect autocorrect --lint docs/**/*.md </TabItem> </Tabs>

檢查清單與品質把關

發布前必檢項目

<Steps>

空格規範檢查
- [ ] 中英文之間有空格
- [ ] 中文與數字之間有空格
- [ ] 數字與單位之間有空格（度數百分比除外）
- [ ] 全形標點前後無多餘空格
標點符號檢查
- [ ] 中文語境使用全形標點
- [ ] 英文語境使用半形標點
- [ ] 無重複使用感嘆號或問號
- [ ] 引號使用正確（中文「」，英文 ""）
專有名詞檢查
- [ ] GitHub、Google、Microsoft 等大小寫正確
- [ ] PyTorch、TensorFlow、CUDA 等技術名詞正確
- [ ] 使用台灣學術慣用術語（資料、軟體、演算法）
- [ ] 無不道地的縮寫（避免 h5、Ts、FED 等）
AI 語句檢查
- [ ] 移除「旨在探討」「創新性地」等過渡詞
- [ ] 語句自然流暢，無機器生成痕跡
- [ ] 論述具體，避免空泛描述
圖表檢查
- [ ] 圖片解析度符合要求（向量圖或 800+ DPI）
- [ ] 圖表編號使用交互參照
- [ ] 流程圖配色和諧專業
- [ ] 所有圖表在內文中被引用
參考文獻檢查
- [ ] 使用 EndNote 管理文獻
- [ ] 引用格式統一（IEEE/APA 等）
- [ ] DOI 或 URL 完整可存取
- [ ] 無遺漏或錯誤的引用編號 </Steps>

結語

技術文稿的品質直接影響專業形象與知識傳播效果。遵循本指南的規範，不僅能提升文件可讀性，更能建立團隊統一的寫作標準。

:::tip[持續改進] 定期檢視並更新本指南，納入新的技術寫作趨勢與社群最佳實踐。任何疑問或建議，歡迎隨時與團隊成員討論。 :::

關鍵要點回顧：

空格是專業的象徵：中英文混排必須增加空格
標點符號要正確：全形半形分場合，不重複使用
專有名詞要精準：大小寫遵循官方定義
避免 AI 錯誤語義/用詞：移除過渡詞，確保語句自然
善用自動化工具：Pangu.js、AutoCorrect 提升效率
圖表規範要嚴謹：向量圖優先，交互參照編號
參考文獻要完整：使用 EndNote，格式統一

讓每一份技術文件都成為專業與用心的展現。

Conda 安裝與配置指南

Fri, 06 Dec 2024 00:00:00 GMT

import { Steps, Tabs, TabItem, FileTree, Badge, Card, CardGrid, LinkCard, Aside } from '@astrojs/starlight/components';

Conda 是一個跨平台的套件與環境管理系統，它同時扮演兩個角色：幫你安裝套件（像 pip），也幫你管理獨立的 Python 環境（像 venv）。更重要的是，它不只能管理 Python 套件，C/C++ 函式庫、CUDA runtime、甚至 R 語言套件都在範圍內。

這篇指南涵蓋安裝、配置、自訂與除錯。

:::tip[Conda vs pip 的差異]

pip 主要管理來自 PyPI 的 Python 套件，只負責安裝套件作者打包好的內容；對於 C extension，若有對應的二進位 wheel 就直接裝，否則就依賴系統已安裝的編譯工具與外部 C/C++ 函式庫來自行編譯。
conda 則是「環境+套件管理器」，它的 package 可以包含 Python、本身的 C/C++ 函式庫、CUDA runtime 甚至編譯器，並透過解依賴機制確保整個二進位堆疊彼此相容，因此在科學計算與 ML/DL 領域，安裝像 numpy、scipy、pytorch 這類重度依賴 BLAS/LAPACK/CUDA 的套件時，通常更穩定且不需自行處理底層依賴。 :::

Anaconda vs Miniconda

你會在官網看到兩個選項：Anaconda 與 Miniconda。它們都包含 conda 這個核心工具，差異在於「內含多少東西」。

<CardGrid> <Card title="Anaconda" icon="rocket"> 全套餐，預裝 300+ 套件（NumPy, Pandas, Jupyter, Scikit-learn...），開箱即用。

- 安裝大小：約 **4.4 GB**
- 包含 Anaconda Navigator（GUI 管理介面）
- 適合：**初學者**、不想煩惱套件安裝的人

</Card> <Card title="Miniconda" icon="seti:config"> > 個人推薦使用。

**最小安裝**，只有 conda + Python + 基本依賴，乾淨起步。

- 安裝大小：約 **80 MB**
- 純 CLI 操作
- 適合：**有經驗的開發者**、CI/CD、容器環境、磁碟空間有限的場景、避開 Anaconda 授權問題

</Card> </CardGrid>

比較項目	Anaconda	Miniconda
安裝大小	~1.1 GB	~90 MB
預裝套件	300+ 資料科學常用套件	僅 conda + Python
GUI 管理	Anaconda Navigator	無
適用場景	快速上手、教學環境	精確控制、生產環境
自訂彈性	較低（預裝大量你可能不需要的套件）	最高（需要什麼安裝什麼）

:::note[我該選哪個？] 磁碟空間充裕且想快速開始 → Anaconda。

想精確控制環境、或在 SSD 上節省空間 → Miniconda。 <Badge text="推薦" variant="success" />

實務上，多數專業開發者偏好 Miniconda，因為 Anaconda 預裝的 300 多個套件裡，通常只會用到幾十個。 :::

安裝流程

下載 Miniconda

前往 Miniconda 官方下載頁面，選擇 Windows 64-bit 的 Miniconda .exe 安裝檔。

<div style="position: relative; padding-bottom: 56.25%; height: 0; overflow: hidden; max-width: 100%; margin-bottom: 1rem;"> <iframe src="https://www.youtube.com/embed/AgnAs0nPEVg" title="Miniconda Windows Installation" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" referrerpolicy="strict-origin-when-cross-origin" allowfullscreen style="position: absolute; top: 0; left: 0; width: 100%; height: 100%; border-radius: 8px;"

</iframe> </div>

<Steps>

執行安裝程式

雙擊下載的 Miniconda3-latest-Windows-x86_64.exe，點選 Next。
接受授權條款

閱讀並接受 License Agreement。
選擇安裝類型
- Just Me (recommended): 只為當前使用者安裝，不需管理員權限。
- All Users: 系統級安裝，需要管理員權限。
除非有明確的多使用者需求，選擇 Just Me 即可。
選擇安裝路徑

預設路徑為 C:\Users\<你的使用者名稱>\miniconda3。

若要安裝到其他位置（如 D 槽），在此步驟修改路徑。詳見下方「安裝至 D 槽」段落。

:::caution[路徑不能包含空格與中文] Conda 的安裝路徑不能包含空格或非 ASCII 字元。例如 D:\Program Files\conda 或 D:\我的程式\conda 都會導致問題。建議用 D:\miniconda3 這樣簡潔的路徑。 :::

進階選項

安裝程式會詢問兩個選項：

選項	建議	說明
Create start menu shortcuts	勾選	在開始功能表建立 Anaconda Prompt 捷徑
Add Miniconda3 to my PATH	不勾選	官方不建議：conda binaries 路徑包含其他套件二進位檔，永久加入 PATH 可能與其他軟體衝突。建議透過 Anaconda Prompt 或 `conda init` 使用
Register Miniconda3 as default Python	視情況	若系統上沒有其他 Python，可以勾選（預設已勾選）
Clear the package cache upon completion	勾選	安裝完成後執行 `conda clean --all --force-pkgs-dirs`，節省空間

完成安裝

點選 Install，等待安裝完成後點選 Finish。 </Steps>

</TabItem>

下載 Anaconda

前往 Anaconda 官方下載頁面，下載 Windows 64-bit 安裝檔。

<Steps>

執行安裝程式

雙擊 Anaconda3-20xx.xx-Windows-x86_64.exe，按照精靈指引進行。
安裝類型與路徑

同 Miniconda，選擇 Just Me 並設定安裝路徑。

:::caution[磁碟空間] Anaconda 完整安裝需要約 4.4 GB 磁碟空間，加上後續建立的環境與套件快取，建議至少保留 10 GB 以上。 :::
進階選項

與 Miniconda 相同：不勾選 Add to PATH，視需求決定是否 Register as default Python。
完成安裝

安裝過程較長，耐心等待即可。 </Steps>

</TabItem>

命令列靜默安裝

在自動化部署或 CI/CD 環境中，可使用命令列進行靜默安裝。以下依據官方 Quickstart 提供的指令：

<Aside type="caution" title="靜默安裝即代表接受服務條款"> 執行靜默安裝時，預設接受 Anaconda 的服務條款 (TOS)。請務必在執行前查閱 Anaconda 完整服務條款。 </Aside>

<Tabs> <TabItem label="Windows PowerShell"> powershell # 下載 Miniconda 安裝檔 Invoke-WebRequest -Uri "https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe" -OutFile ".\miniconda.exe"

```powershell
# 靜默安裝至 `D:\miniconda3`
Start-Process -FilePath ".\miniconda.exe" -ArgumentList "/S /D=D:\miniconda3" -Wait
```

```powershell
# 清除安裝檔
Remove-Item ".\miniconda.exe"
```

安裝完成後，初始化 conda：

```powershell
# 初始化 PowerShell 支援
D:\miniconda3\Scripts\conda.exe init powershell

# 重新開啟 PowerShell 後生效
```

</TabItem> <TabItem label="Windows CMD"> ```cmd :: 下載 Miniconda 安裝檔 curl https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe -o .\miniconda.exe

:: 靜默安裝至 D:\miniconda3
start /wait "" .\miniconda.exe /S /D=D:\miniconda3

:: 清除安裝檔
del .\miniconda.exe
```

安裝完成後，開啟 [Anaconda Prompt](https://www.anaconda.com/docs/reference/glossary#anaconda-prompt) 使用 conda，或執行以下指令初始化 CMD 支援：

```cmd
:: 初始化 CMD 支援
D:\miniconda3\Scripts\conda.exe init cmd.exe

:: 重新開啟 CMD 後生效
```

</TabItem> <TabItem label="macOS"> ```bash # 建立安裝目錄 mkdir -p ~/miniconda3

# 下載安裝腳本（Apple Silicon）
curl https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.sh -o ~/miniconda3/miniconda.sh

# 靜默安裝
bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3

# 清除安裝腳本
rm ~/miniconda3/miniconda.sh
```

<Aside type="note" title="Intel Mac">
若使用 Intel 晶片，將下載 URL 中的 `arm64` 替換為 `x86_64`。
</Aside>

安裝完成後，初始化 conda：

```bash
# 啟動 conda
source ~/miniconda3/bin/activate

# 初始化所有 shell
conda init --all
```

</TabItem> <TabItem label="Linux"> ```bash # 建立安裝目錄 mkdir -p ~/miniconda3

# 下載安裝腳本（x86_64）
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh

# 靜默安裝
bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3

# 清除安裝腳本
rm ~/miniconda3/miniconda.sh
```

<Aside type="note" title="ARM64 / AWS Graviton">
若使用 ARM64 架構，將下載 URL 中的 `x86_64` 替換為 `aarch64`。
</Aside>

安裝完成後，初始化 conda：

```bash
# 啟動 conda
source ~/miniconda3/bin/activate

# 初始化所有 shell
conda init --all
```

</TabItem> </Tabs>

簡易指令見「安裝至 D 槽」（Windows）

</TabItem> </Tabs>

:::tip[參數注意事項] Windows：

/S：Silent mode（靜默安裝，不彈出 GUI）
/D=：指定安裝路徑，必須是最後一個參數，路徑不能用引號包裹
未指定 /D= 時，預設安裝至 C:\Users\<使用者名稱>\miniconda3

macOS / Linux：

-b：Batch mode（靜默安裝，不需互動確認）
-u：更新模式，若路徑已存在則覆蓋
-p：指定安裝路徑 :::

安裝後驗證

安裝完成後，開啟 PowerShell 或 Anaconda Prompt（從開始功能表搜尋），執行以下驗證指令：

若 conda 無效/指令找不到，見常見問題。

# 查看 conda 版本
conda --version

# 查看完整環境資訊
conda info

預期輸出範例：

conda 24.x.x

     active environment : base
    active env location : D:\miniconda3
       user config file : C:\Users\yourname\.condarc
 populated config files : D:\miniconda3\.condarc
          conda version : 24.x.x
               platform : win-64
               ...

其中有兩個容易混淆的設定檔欄位。.condarc（conda run configuration）是 conda 的設定檔，採用 YAML 語法，用來控制 channel、預設路徑、行為偏好等所有 conda 設定。Conda 允許多個 .condarc 同時存在於不同位置：

欄位	說明
user config file	使用者層級的 `.condarc`，固定位於 `C:\Users\<使用者名稱>\.condarc`。即使檔案不存在也會顯示此路徑
populated config files	實際有內容的 `.condarc`。安裝在 D 槽時，通常是 `D:\miniconda3\.condarc`

:::note[哪個 .condarc 生效？] Conda 會同時讀取所有找到的 .condarc，設定會合併。若兩個檔案有衝突的設定，使用者層級（C:\Users\...）的優先。

一般建議只維護一個 .condarc，避免設定分散。可統一編輯安裝目錄下的 D:\miniconda3\.condarc，或用 conda config 指令操作（預設寫入使用者層級）：

# 查看所有生效的設定（合併後的結果）
conda config --show

# 設定項目（寫入使用者層級 .condarc）
conda config --set auto_activate_base false

# 查看設定檔來源
conda config --show-sources

:::

建立測試環境

確認 conda 能正確建立獨立環境並安裝套件：

# 建立 Python 3.12 測試環境
conda create -n test_env python=3.12 -y

# 啟動環境
conda activate test_env

# 確認 Python 版本
python --version

# 安裝一個套件驗證
conda install numpy -y

# 快速測試
python -c "import numpy; print(f'NumPy {numpy.__version__} OK')"

# 測試完畢，清理
conda deactivate
conda remove -n test_env --all -y

:::tip[看到 (test_env) 前綴就對了] 當你成功 conda activate test_env 後，命令提示字元的開頭會從 (base) 變成 (test_env)，表示你正在該隔離環境中工作。 :::

自訂配置

安裝至 D 槽

為什麼要安裝到 D 槽？

許多 Windows 使用者的磁碟配置如下表：

磁碟	用途	特性
C 槽 (SSD)	作業系統 + 核心程式	容量較小（128–512 GB）、速度快
D 槽 (HDD/SSD)	資料與開發工具	容量較大（1 TB+）

Conda 的環境與套件快取會持續增長。一個 ML 專案的環境動輒 2–5 GB（尤其含 PyTorch、TensorFlow），多個專案下來很容易吃掉 C 槽空間。將 Conda 安裝至 D 槽可以：

避免 C 槽空間不足影響系統穩定性
方便重灌系統時保留開發環境
讓環境與系統分離，維護更簡潔

:::caution[效能權衡] 若 D 槽是傳統 HDD（機械硬碟），conda 的套件解壓與環境建立速度會比 SSD 慢些。

如果 D 槽也是 SSD，就沒有這個顧慮。 :::

操作方式

<Tabs> <TabItem label="CLI 靜默安裝 (推薦)"> 使用 /D= 參數指定路徑（可先於 D 槽建立 miniconda3 資料夾）： powershell Start-Process -FilePath ".\miniconda.exe" -ArgumentList "/S /D=D:\miniconda3" -Wait </TabItem> <TabItem label="GUI 安裝"> 在安裝精靈的「選擇安裝路徑」步驟，將路徑改為 D:\miniconda3 即可。 </TabItem> </Tabs>

安裝至 D 槽後的目錄結構如下：

D:\
- miniconda3/ Conda 本體安裝目錄
  - condabin/
  - Scripts/
    - conda.exe
    - activate.bat
  - python.exe
  - Lib/
  - Library/
  - envs/ 環境預設存放位置
    - ml_project/
      - python.exe
      - Lib/
    - web_dev/
  - pkgs/ 套件快取
  - .condarc </FileTree>

:::tip[找到你的環境] 所有透過 conda create -n myenv 建立的環境，預設都在 miniconda3/envs/ 下。你可以直接使用該環境的 python.exe，例如 D:\miniconda3\envs\ml_project\python.exe。 :::

進階：自訂環境與快取路徑

若你希望將環境與快取分離到 Miniconda3 目錄之外（例如多個 Conda 安裝共用環境，或想更細粒度管理磁碟空間），可在 .condarc 配置檔中設定：

# 自訂環境存放路徑
envs_dirs:
  - D:\conda_envs

# 自訂套件快取路徑
pkgs_dirs:
  - D:\conda_pkgs

:::note[.condarc 位置] .condarc 檔案位於使用者家目錄：C:\Users\<你的使用者名稱>\.condarc。若不存在，可手動建立，或執行 conda config --set envs_dirs D:\conda_envs 讓 conda 自動建立。 :::

Channel 頻道機制

什麼是 Channel？

Channel（頻道）是 conda 套件的來源倉庫，本質上是一個存放了已編譯套件的遠端目錄（URL）。當你執行 conda install numpy 時，conda 會按照 channel 優先順序依序搜尋，找到第一個匹配的套件版本後下載安裝。

你可以把它想像成手機的 App Store：

概念	類比
Channel	App Store（套件來源）
conda install	從 Store 下載 App
Channel priority	優先從哪個 Store 搜尋

主要 Channel 介紹

Channel	維護者	特色	授權
defaults	Anaconda, Inc.	穩定，預設 channel	商用可能需付費授權
conda-forge	社群維護	套件數量最多，更新最快	完全免費
pytorch	PyTorch 團隊	PyTorch 官方最新版	免費
nvidia	NVIDIA	CUDA toolkit、cuDNN	免費

:::caution[Anaconda 授權條款（Terms of Service）] 自 2024 年起，Anaconda 更新了 defaults channel 與 Anaconda Distribution 的使用條款：

個人使用與員工少於 200 人的組織：可以免費使用；
員工或約聘人數在 200 人以上的組織：若要存取 defaults channel 或 Anaconda Distribution，則需要付費授權。
教育機構：若是純課程教學用途通常可免費，但大型學校或研究機構在研究情境下可能被視為「組織使用」，不一定全面豁免。

若在大型企業或機構中，只需要 conda 生態而不必依賴 Anaconda 官方 defaults channel，建議改用 Miniconda/Mambaforge 搭配 conda-forge 作為主要 channel，功能同樣完整，但完全開源免費、沒有 defaults 授權風險。；conda-forge 為社群維護，對商業使用完全免費，不受 Anaconda 收費條款影響。 :::

設定 Channel

# 查看目前的 channel 設定
conda config --show channels

# 新增 conda-forge 為最高優先
conda config --add channels conda-forge

# 設定嚴格優先模式（推薦）
conda config --set channel_priority strict

# 安裝時指定 channel（一次性）
conda install -c pytorch pytorch torchvision

嚴格優先模式 (strict) 是什麼？

channel 清單:
  1. conda-forge    ← 最高優先，先從這裡找
  2. defaults       ← conda-forge 找不到才來這裡

strict 模式下：若 conda-forge 有 numpy 1.26，defaults 有 numpy 1.27，
conda 仍會安裝 conda-forge 的 1.26，因為它在優先順序較高的 channel。

:::tip[推薦的 .condarc channel 配置]

channels:
  - conda-forge
  - defaults
channel_priority: strict

這樣設定後，conda-forge 為主要來源（免費、更新快），defaults 作為備援。完整範例見 .condarc 配置檔。 :::

.condarc 配置檔

.condarc 是 conda 的全域設定檔，使用 YAML 語法。以下是常用設定的完整範例：

# ── Channel 設定 ──
channels:
  - conda-forge
  - defaults
channel_priority: strict

# ── 路徑設定 ──
envs_dirs:
  - D:\conda_envs
pkgs_dirs:
  - D:\conda_pkgs

# ── 行為設定 ──
auto_activate_base: false      # 是否自動啟動 base 環境（建議關閉）
auto_update_conda: true        # 是否自動更新 conda
show_channel_urls: true        # 安裝時顯示套件來源 channel

:::note[auto_activate_base: false] 預設開啟新終端就會進入 (base) 環境。設為 false 後，需手動 conda activate base 才會進入。這能避免 base 環境被意外污染，是一個好習慣。 :::

常用指令速查

環境管理

# 建立環境（指定 Python 版本）
conda create -n myenv python=3.12

# 建立環境至指定路徑（用 --prefix 取代 -n）
{/* conda create python=3.9 --prefix D:\Miniconda3\envs\python39 -y */}

# 從 YAML 檔建立環境
conda env create -f environment.yml

# 啟動 / 停用環境
conda activate myenv
conda deactivate

# 列出所有環境
conda env list

# 刪除環境
conda remove -n myenv --all

# 匯出環境（可重現的快照）
conda env export > environment.yml

# 僅匯出手動安裝的套件（跨平台更相容）
conda env export --from-history > environment.yml

套件管理

# 安裝套件
conda install numpy pandas matplotlib

# 指定版本安裝
conda install python=3.11 numpy=1.26

# 從特定 channel 安裝
conda install -c conda-forge scikit-learn

# 更新套件
conda update numpy

# 更新所有套件
conda update --all

# 搜尋套件
conda search pytorch

# 移除套件
conda remove numpy

# 列出已安裝套件
conda list

:::tip[conda + pip 混用注意] 在 conda 環境中可以使用 pip 安裝 conda 沒有的套件，但需注意：

先 conda 後 pip：先用 conda 安裝能找到的套件，再用 pip 補足缺少的。
不要反覆交替：conda 不追蹤 pip 安裝的套件，反覆交替安裝容易造成依賴衝突。
匯出時注意：conda env export 會同時記錄 conda 和 pip 安裝的套件。 :::

常見問題

Q: `conda` 指令找不到？

A: 安裝時若未勾選「Add to PATH」，一般的 CMD 或 PowerShell 不會認得 conda 指令。

解決方案有兩種：

方法一：使用 conda init（推薦）

透過 Anaconda Prompt 執行一次即可，之後所有 PowerShell 都能使用 conda：

D:\miniconda3\Scripts\conda.exe init powershell

重新開啟 PowerShell 後生效。

方法二：手動加入 PATH 環境變數

若 conda init 無法正常運作，可手動將 conda 路徑加入系統 PATH：

<Steps>

在 Windows 搜尋輸入「環境變數」，開啟「編輯系統環境變數」
點選「環境變數」按鈕
在「使用者變數」或「系統變數」中找到 Path，按「編輯」
按「新增」，依序加入以下路徑（依你的實際安裝位置調整）：
```
D:\Miniconda3
D:\Miniconda3\Library\bin
D:\Miniconda3\Scripts
D:\Miniconda3\condabin
```
:::note[Anaconda 使用者] 將上述路徑中的 Miniconda3 替換為 Anaconda3 即可。 :::
連續按「確定」關閉所有視窗
重新開啟終端機，輸入 conda --version 驗證 </Steps>

Q: 環境啟動後顯示 `CommandNotFoundError`？

A: 常見於 PowerShell 安全政策阻擋了 conda 的初始化腳本。執行：

Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

然後重新開啟 PowerShell。

Q: `conda install` 解析依賴極慢（Solving environment）？

A: 這是 conda 經典痛點。解決方案：

使用 libmamba solver（conda >= 22.11 已內建）：
```
conda config --set solver libmamba
```
設定嚴格 channel 優先（減少搜尋範圍）：
```
conda config --set channel_priority strict
```
避免在 base 環境中安裝套件：保持 base 乾淨，為每個專案建立獨立環境。

Q: 安裝或更新時出現 `CondaHTTPError`？

A: 通常是網路問題或 proxy 設定。在 .condarc 中設定代理：

proxy_servers:
  http: http://proxy.example.com:8080
  https: https://proxy.example.com:8080

Q: Anaconda 和 Miniconda 可以同時安裝嗎？

A: 技術上可以，但強烈不建議。兩者共用相同的 conda 核心，同時安裝會造成 PATH 與環境變數衝突。選擇一個即可。

Q: 如何解除安裝？

A: 請參考官方解除安裝指南：

Felimet Hub

Docker 容器化工具集

專案概述

功能特色

快速開始

環境配置

專案結構

相關頁面

個人歷程時間軸

個人歷程

About

隱私權保護政策

一、蒐集者與適用範圍

二、蒐集之個人資料類別與目的

2.1 伺服器日誌（自動蒐集）

2.2 搜尋功能（使用時蒐集）

2.3 網站流量分析（Cloudflare Web Analytics）

2.4 本網站目前未蒐集之資料

三、Cookie 與類似技術之使用

3.1 本網站使用之 Cookie

3.2 本網站未使用之 Cookie

3.3 Cookie 管理

四、第三方服務與資料傳輸

五、資料保護措施

5.1 資料外洩應變

六、與第三人共用個人資料之政策

七、您的權利與行使方式

7.1 權利行使方式

7.2 權利行使之限制

八、未成年人保護

九、國際資料傳輸

十、隱私權保護政策之修訂

基於深度神經網路之紋影光學影像品質優化與濾除偽影技術之開發

Development of Schlieren optical imaging quality optimization and artifact removal technology based on deep neural network

摘要 Abstract

關鍵字 Keywords

研究結果示例

引用格式 BibTeX

Felimet Hub

關於個人技術軌跡的集散地

近期更新

彩色紋影熱動態影像的防疫應用

Epidemic Prevention Applications of Color Schlieren Thermal Dynamics Imaging

摘要 Abstract

關鍵字 Keywords

研究結果示例

引用格式 BibTeX

Felimet Hub 網站

專案概述

技術堆疊

設計系統

專案結構

建置流程

相關頁面

傳統與 Z 型紋影系統於機器學習應用中的實作分析

Implementation Analysis of Traditional and Z-Configuration Schlieren Systems in Machine Learning Applications

摘要 Abstract

關鍵字 Keywords

研究結果示例

引用格式 BibTeX

溫度異質性對氣流對流影響的視覺化因果分析

Visual Causal Analysis of the Impact of Temperature Heterogeneity on Airflow Convection

摘要 Abstract

關鍵字 Keywords

研究結果示例

引用格式 BibTeX

整合 GLCM 影像特徵與紋影技術之量化水污染分析系統

Quantitative Water Pollution Analysis System Integrating GLCM Image Features with Schlieren Imaging Technology

摘要 Abstract

關鍵字 Keywords

研究結果示例

引用格式 BibTeX

基於乳牛臀部深度影像的實際體重估計方法

基於乳牛臀部深度影像的實際體重估計方法

摘要 Abstract

關鍵字 Keywords

研究結果示例

引用格式 BibTeX

針對荷蘭牛非妊娠期及分娩後階段體重預測的應用

Application of weight prediction for Holstein dairy cows in non-pregnant and postpartum stages

Q: `nvcc -V` 找不到指令？

Q: PyTorch 報錯 `AssertionError: Torch not compiled with CUDA enabled`