兩層架的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

分析模式：可複用的物件模型

為了解決兩層架的問題，作者（美）馬丁·福勒 這樣論述：

要開發複雜的企業應用，先要為業務領域建立準確而深刻的分析模型。本書不是通過簡化的案例講述抽象的理論，而是直接給出來自真實專案的複雜模型，並以“模式”的方式進行歸納。本書不僅包括這些模式本身，還體現了作者豐富的實踐經驗和對建模技術的深入洞見。 本書主要包括兩部分：第一部分介紹來自人員與組織管理、觀察與測量、存貨與會計、計畫、金融衍生品交易等多個業務領域的“分析模式”；第二部分則給出一系列“支援模式”，用於將分析模型實現為具體的軟體。 具有一定經驗的架構師、業務分析師以及高級開發人員通過研讀本書可以很快將書中的模式和思路應用於實踐，有效提高開發水準。軟體發展的入門者閱讀本書儘管未必能立刻領悟其全

部內涵，但也足以打開一扇通向新境界的窗戶，為日後的提高奠定基礎。 馬丁·福勒（Martin Fowler） 世界軟體發展大師，ThoughtWorks首席科學家。他是一位作家、演說者、諮詢師和泛軟體發展領域的意見領袖。他致力於改善企業級的軟體設計，對優秀的設計以及支撐優秀設計的工程實踐孜孜以求。他在重構、物件導向分析設計、模式、XP和UML等領域都有卓越貢獻，著有《重構：改善既有代碼的設計》《分析模式：可複用的物件模型》《領域特定語言》《企業應用架構模式》等經典著作。 第1章 緒論 1 1.1 概念模型 1 1.2 模式的世界 4 1.3 本書中的模式

7 1.4 概念模型與業務過程再造 9 1.5 模式和框架 9 1.6 模式的使用 10 參考文獻 12 第一部分　分析模式 第2章 責任 15 2.1 參與方（Party）模式 16 2.2 組織層級（Organization Hierarchies）模式 17 2.3 組織結構（Organization Structure）模式 18 2.4 責任（Accountability）模式 20 2.5 責任知識層（Accountability Knowledge Level）模式 21 2.6 參與方類型泛化（Party Type Generalizations）模式 23 2.7 分層責

任（Hierarchic Accountability）模式 24 2.8 運作範圍（Operating Scopes）模式 26 2.9 崗位（Post）模式 27 參考文獻 28 第3章 觀察和測量 29 3.1 數量（Quantity）模式 30 3.2 換算率（Conversion Ratio）模式 31 3.3 複合單位（Compound Units）模式 32 3.4 測量（Measurement）模式 34 3.5 觀察（Observation）模式 35 3.6 子類型化觀察概念（Subtyping Observation Concepts）模式 38 3.7 規程（Proto

col）模式 38 3.8 雙重時間記錄（Dual Time Record）模式 39 3.9 被否決觀察（Rejected Observation）模式 40 3.10 有效觀察、假定和推測（Active Observation, Hypothesis, and Projection）模式 40 3.11 關聯觀察（Associated Observation）模式 41 3.12 觀察過程（Process of Observation）模式 42 參考文獻 45 第4章 在企業財務領域使用觀察模式 46 4.1 企業片段（Enterprise Segment）模式 47 4.2 測量規程（

Measurement Protocol）模式 53 4.3 範圍（Range）模式 61 4.4 有範圍現象（Phenomenon with Range）模式 62 4.5 使用結果框架（Using the Resulting Framework）模式 66 參考文獻 67 第5章 引用對象 68 5.1 名稱（Name）模式 69 5.2 標識方案（Identification Scheme）模式 70 5.3 物件合併（Object Merge）模式 72 5.4 物件等價關係（Object Equivalence）模式 74 參考文獻 75 第6章 存貨和會計 76 6.1 帳戶（Ac

count）模式 78 6.2 會計事項（Transactions）模式 79 6.3 匯總帳戶（Summary Account）模式 81 6.4 備忘帳戶（Memo Account）模式 83 6.5 過帳規則（Posting Rules）模式 84 6.6 單實例方法（Individual Instance Method）模式 85 6.7 過帳規則執行（Posting Rule Execution）模式 90 6.8 多帳戶過帳規則（Posting Rules for Many Accounts）模式 94 6.9 選擇分錄（Choosing Entries）模式 96 6.10 會計

實務（Accounting Practice）模式 97 6.11 分錄來源（Sources of an Entry）模式 99 6.12 資產負債表和損益表（Balance Sheet and Income Statement）模式 99 6.13 對應帳戶（Corresponding Account）模式 100 6.14 特化帳戶模型（Specialized Account Model）模式 101 6.15 將分錄記錄到多個帳戶（Booking Entries to Multiple Accounts）模式 103 擴展閱讀 106 參考文獻 107 第7章 使用會計模型 108 7.

1 結構模型 109 7.2 實現該結構 111 7.3 新建電話服務 113 7.4 建立通話 115 7.5 實現基於帳戶的觸發 116 7.6 劃分日間和夜間通話 117 7.7 按時間收費 119 7.8 計稅 122 7.9 結論和思考 123 參考文獻 127 第8章 計畫 128 8.1 提議活動和已實施活動（Proposed and Implemented Action）模式 129 8.2 已完成活動和已放棄活動（Completed and Abandoned Actions）模式 130 8.3 暫停（Suspension）模式 131 8.4 計畫（Plan）模式 132

8.5 規程（Protocol）模式 134 8.6 資源配置（Resource Allocation）模式 137 8.7 結果函數和啟動函數（Outcome and Start Functions）模式 140 參考文獻 142 第9章 交易 143 9.1 合同（Contract）模式 143 9.2 組合（Portfolio）模式 147 9.3 報價（Quote）模式 150 9.4 場景（Scenario）模式 153 參考文獻 160 第10章 衍生合同 161 10.1 遠期合同（Forward Contracts）模式 162 10.2 期權（Options）模式 163

10.3 產品（Product）模式 168 10.4 子類型狀態機（Subtype State Machines）模式 172 10.5 並列的應用和領域層級結構（Parallel Application and Domain Hierarchies）模式 177 參考文獻 182 第11章 交易包 183 11.1 包的多重訪問級別（Multiple Access Levels to a Package）模式 183 11.2 相互可見性（Mutual Visibility）模式 186 11.3 包的子類型化（Subtyping Packages）模式 189 11.4 結論和思考 19

0 參考文獻 190 第二部分　支援模式 第12章 資訊系統分層架構 193 12.1 兩層架構（Two-Tier Architecture）模式 194 12.2 三層架構（Three-Tier Architecture）模式 195 12.3 展示層和應用邏輯層（Presentation and Application Logic）模式 198 12.4 資料庫交互（Database Interaction）模式 203 12.5 結論和思考 206 參考文獻 206 第13章 應用門面 208 13.1 一個醫療衛生領域的例子 208 13.2 門面的內容 209 13.3 通用方法

213 13.4 操作 213 13.5 類型轉換 214 13.6 多個門面 216 參考文獻 217 第14章 類型模型設計範本模式 218 14.1 實現關聯（Implementing Associations）模式 220 14.2 實現泛化（Implementing Generalization）模式 226 14.3 物件創建（Object Creation）模式 232 14.4 物件銷毀（Object Destruction）模式 233 14.5 入口點（Entry Point）模式 234 14.6 實現約束（Implementing Constraints）模式 236

14.7 其他技術的設計範本 237 參考文獻 238 第15章 關聯模式 239 15.1 關聯類型（Associative Type）模式 240 15.2 鍵控映射（Keyed Mapping）模式 242 15.3 歷史映射（Historic Mapping）模式 243 參考文獻 247 第16章 後記 248 參考文獻 249 附錄A 技術和標記法 250 A.1 類型圖 250 A.2 交互圖 259 A.3 事件圖 260 A.4 狀態圖 261 A.5 包圖 262 參考文獻 263 附錄B 模式一覽表 265

兩層架進入發燒排行的影片

植基於動態視覺感測器與脈衝神經網路之物件偵測方法

為了解決兩層架的問題，作者王少恩 這樣論述：

動態視覺感測器(Event camera)為模擬人體眼球的資料收集感測器，是同為模擬人類神經元溝通的脈衝神經網路(Spiking neural network(SNNs))的重要研究基礎之一。動態視覺感測器主要收集由於亮度變化所產生的事件資料，也因此有者不記錄背景資料以及資料量小的優點，而脈衝神經網路過去的研究大多只能用於較為簡易的任務，如:分類任務。因此本論文研究探討使用脈衝神經網路用於行人偵測任務。行人偵測之深度學習研究著重於收集大量可用於訓練的資料為所遇到的挑戰之一。我們採用先進模型架構YOLOv4來訓練我們的模型，並且建立資料庫FJU event pedestrian detecti

on，來驗證我們所提出的方法有用性。並且探討如何將CNNs架構進行轉換為SNNs，透過Batch normalization公式的改變，新加入的參數使得我們得以動態的調整脈衝的激活率，將不必要的脈衝降低權重，物件關鍵特徵的權重提高。接者我們採用新的激活函數並以改良，使得負向膜電位與正向膜電位的增加到達閥值電位後都能夠觸發脈衝產生。由於CNNs轉換為SNNs的過程中會將Max pooling層與Upsample層都將被捨棄，這樣會造成訓練過程中特徵圖大小不一的情況產生，因此我們將這兩層架構以Convolutional層和Transposed convolutional層置換，以此來成功進行轉換。

此外，特別對於行人偵測這項任務上不僅需要收集大量可供訓練的資料，還必須花費大量人力進行目標物件的標註工作，也因此本論文受到動態視覺感測器不記錄背景資料的特性啟發，利用Discriminative correlation filter with channel and spatial reliability追蹤演算法來進行資料的自動標註，以此來改善收集資料的困難度。而目前大多使用Leaky integrate and fire(LIF)成像方法來將事件流(Event stream)資料轉換為可視化(Frame steam)的資料，本論文則改以使用Surface of active events方

法來進行轉換，比起LIF方法擁有更好地去除背景雜訊的能力。我們使用MNIST-DVS資料庫以及FJU event pedestrian detection進行實驗，實驗結果顯示我們的自動標記演算法擁有接近與人工標記資料所訓練的模型效能，以及使用PAFBenchmark資料庫進一步提升我們的模型效能，最後檢測每個不同架構模型功耗實驗，證明我們模型架構有更高的性能與功耗，以及SNNs相比CNNs擁有更低功耗的能力。

docker 雲端超容器絕佳利器：終極高效輕量級虛擬化工具

為了解決兩層架的問題，作者浙江大學SEL實驗室 這樣論述：

　　◆ 快速程式碼部署－將小型的容器化應用程式自動化為可攜式且可自足的容器，在各類雲端或個人單機都能輕鬆發佈、部署與執行。 　　◆ 標準化應用程式操作－語法簡單易懂，有穩固的工具和立即可用之應用程式生態系統，還能提供完整控制權，並能加速檢測、監測與排除或補救問題。 　　◆ 無縫移動程式碼－將開發程式用容器打包起來，快速移植到另一個平台。 　　◆ Docker讓使用者可在每部伺服器上，都能輕鬆同時執行數百個不同的虛擬應用程式，不只提高資源使用率還能節省成本。 　　本書以原始碼解讀為基礎，以構建Docker容器雲端服務平台為目標，通過回應實際專案問題為線索，全面解析Do

cker概念及原理，同時深入實踐Docker三件套件和雲端平臺，並加深入解讀Kubernetes的專業書籍；此外基於Docker1.10以上版本，新增runc和libnetwork兩個全新而又十分重要的概念；以及基於Kubernetes1.2以上版本，全面解讀volume plugin、secret、auto scaling等全新特性。 　　適用：有一定Docker基礎的開發者、架構師、電腦相關科系學生，以及探索基於Docker構建雲端計算平台的技術人員，也非常適合作為大專院校教材或培訓資料。 本書特色 　　◆ 全面性深入探究主流容器雲技術架構方法。 　　◆ 從原始碼解讀深度剖析Dock

er核心原理。 　　◆ 完全解析Kubernetes技術原理及設計概念。 　　◆ 介紹Docker典型編排部屬工具「三劍客」與「Fleet」。 　　◆ 進階Docker、Kubernetes高階技巧實踐與應用。  

特徵為基礎之預測社交演化的雙RNN與模式學習模型

為了解決兩層架的問題，作者梁紘銘 這樣論述：

社群網路是近幾年十分蓬勃發展的一個科技，隨著他蓬勃發展，各式各樣預測社群網路的方法因應而生，這些方法大多是使用靜態社群網路來做預測，然而現實中的社群網路則大多是動態改變的，本研究以Mobile01論壇的資料為資料庫，利用EPMiner資料探勘演算法從數據中找出頻繁序列，利用長短期記憶（LSTM）模型預測社群網路關係。本研究提出了一個具有三個 LSTM 的兩層架構模型來進行預測。