手機相簿分類的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

YouTube+FB+IG社群媒體操作經營活用術：掌握目標客群‧必殺網路行銷‧活絡網紅經濟‧解析廣告成效【暢銷回饋版】

為了解決手機相簿分類的問題，作者鄭苑鳳,ZCT 這樣論述：

▲博碩嚴選！行銷必備的優選教材！ ▲好評再上市，回饋發行中！ 流量變現金！   　　►超強的集客行銷術，以低行銷成本，經營最出色的粉專、社團和頻道   　　☞內容易懂、易學、又易上手，輕鬆掌握YouTube+FB+IG三社群。 　　☞YouTube贏家心法，讓你搜尋、上傳、下載、管理和企劃影片不發愁。 　　☞輕鬆在YouTube社群建置品牌頻道，學會美妝頻道外觀和管理你的頻道。 　　☞學會直播的各種方式，同時解析頻道各項數據所代表的意義。 　　☞臉書集客密笈、IG拉客錦囊、YouTube行銷技巧，讓你一書在手，輕鬆打造品牌/商家的高人氣。 　　☞粉專/社團經營、拍賣商城、地標打卡、品牌頻道

的管理，不可不知的行銷秘訣盡在本書中。 　　☞功能詳實解說，降低學習障礙，攝錄影、濾鏡、編修…等一應俱全，讓圖片觸及率翻倍成長，視覺吸睛不求人。 　　☞掌握視覺吸睛祕訣與行銷技巧，經營社群高手非你莫屬。   　　本書將Facebook、Instagram、YouTube必備的行銷術分成十個章節來介紹，讓各位一手掌握社群口碑，商家能夠以小博大，以最小的成本創造出最大的利潤。   　　各章重點簡要說明如下：   　　◆流量變現金的社群行銷必修課：社群網路服務、當紅社群平台簡介、以及社群行銷的四大特性。 　　◆買氣紅不讓的YouTube贏家心法：初探YouTube影音王國、YouTube影片製作的

初心課。   　　◆課堂上學不到的網紅工作術：建置品牌頻道、美妝頻道外觀、頻道管理宮心計、影片優化的行銷技巧。 　　◆讓粉絲拼命掏錢的YouTube頻道直播：YouTube直播搶錢術、頻道數據分析、頻道爆紅的私房密技。 　　◆秒殺拉客的臉書入門行銷：臉書行銷體驗、相機與商機的完美結合、臉書直播不能說的秘密、聊天室與即時通訊Messenger。 　　◆不藏私小編粉專贏家攻略：粉絲專頁種類、最強小編的熱身賽、商店專區的小心思、粉專集客秘笈、粉專貼文精準行銷、粉專管理技巧。 　　◆流量變現金的臉書行銷必殺技：打卡經營與地標自媒力、臉書廣告的加持術、拍賣商城的開店捷徑、社團集客術、社群學習社團

的私房地圖、粉專與社團的無敵協力賽。 　　◆神仙顏值般的IG視覺行銷：初探IG、個人檔案、一看就懂的IG操作功能、人氣爆表的攬客心法、貼文秘訣、貼文變身密技、IG行銷戰略。 　　◆地表最強的標籤與限時動態拉客錦囊：標籤的行銷課、限時動態私房工作術。 　　◆YouTube+FB+IG三合一明星店家淘金術：社群平台整合、FB與IG串接行銷、YouTube影片分享魔術。

手機相簿分類進入發燒排行的影片

機器學習自動剪輯之幸福感設計

為了解決手機相簿分類的問題，作者張瀞文 這樣論述：

本研究透過機器學習將正向心理學PERMA模型的正向情緒P (Positive Emotions)、全心投入E (Engagement)、正向人際R (Positive Relationships)、生命意義M (Meaning)以及成就感A (Accomplishment)應用到影片自動編輯。目的是選擇性刻意塑造回憶內容，讓活動當事者重溫當時的活動體驗。這樣的回憶設計預期觀看者能夠在欣賞影片後，除了加深快樂回憶效果並且增加收藏分享這個影片的意願。 實驗一以PERMA模型的定義分類照片用來訓練Teachable Machine以及CodingLab AIbox兩套AI影像學習程式，目

的是要能夠判讀挑選符合PERMA元素的照片。實驗材料中，Program A使用250張照片進行機器學習，Program B使用500張照片來強化訓練。在Program A B的第一測試（使用原學習素材進行判讀），Teachable Machine和CodingLab AIbox判讀率差異不大（Program A：80% vs 76%及Program B：97% vs 91%）。在第二測試（新的25張東方人照片判讀）與第三個測試（新的25張西方人照片判讀），Teachable Machine的判讀率則皆高於CodingLab AIbox的判讀率（Program A兩個測試平均判讀率為64% vs

52%及Program B兩個測試平均判讀率為84% vs 58%）。此見經過Program B的500張訓練，Teachable Machine對於新照片PERMA的幸福元素有最高的正確判讀率。 實驗二使用不同挑選照片的方式來比較依照PERMA模型挑選照片所剪輯的影片，是否最具有回憶的幸福感。挑選方法個別為，PERMA模型Program B學習後的AI影像學習程式（1.Teachable Machine和2.CodingLab AIbox）、真人去做挑選編輯（3.活動參與者和4.非活動參與者）、現有的手機自動編輯（5.IPhone和6.Samsung）和7.完全隨機選擇挑選編輯。問卷調

查資料結果顯示7個挑選剪輯方式中，Teachable Machine所訓練出來的AI在影片滿意度都獲得最高分。在活動A影片滿意度4.1分、活動B影片滿意度4.3分。影片分享儲存意願則是Teachable Machine和活動參與者剪輯的回顧影片獲得最高儲存分享意願。Teachable Machine在活動B剪輯的影片分享意願為75%，儲存意願62.5%。活動參與者在活動A剪輯的影片分享意願為68.7%，儲存意願56.2%。訪談後了解受測者給予高分的理由因影片是有共鳴、照片畫面有互動、有記憶、多樣、溫暖、故事性以及活潑自然的。另外是否有依照活動的時間軸去剪輯也是提取回憶的重要關鍵。 實驗三將

Teachable Machine Program B和IPhone自動剪輯的兩個回顧影片傳至LINE群組內觀察受測者的反應，並事後做問卷調查及訪談。實驗結果顯示有66.6%受測者認為Teachable Machine Program B自動剪輯出的回顧影片比IPhone剪輯來的影片更能感受活動當時的幸福感且是有回憶度的。也對於LINE相簿若新增自動剪輯的功能一致感到滿意。 總研究結果發現經過Program B 500張PERMA學習後的Teachable Machine所挑選剪輯的影片提升了自動剪輯影片的收藏及分享價值外，更重要的是讓觀看者為此活動加深了幸福快樂的回憶，且若未來LINE相

簿新增自動剪輯功能，那是會令人值得期待的。

App Inventor 2輕鬆學 : 手機應用程式簡單做(第二版)

為了解決手機相簿分類的問題，作者鄭苑鳳,黃乾泰 這樣論述：

易學易懂的圖解說明，加深學習者的印象與使用技巧。   　　★以深入淺出的方式，站在無程式背景的學習者角度思考，目的是讓學習者利用邏輯思維與執行步驟來思考問題和解決問題。   　　★每章都有多個應用範例，範例精緻且多樣化，依照指示進行設定都能完成編排。   　　★以「做中學」的方式，讓學習者將所學到的組件應用在實際的範例之中。   　　★本書是全方位的APP Inventor學習教材，除了學習程式模塊的運用技巧外，圖像的設計製作也有著墨，讓學習者跟著附錄的解說，也能加入精美的圖案或背景插圖，輕鬆美化生硬的版面。   本書特色   　　◆本書專為毫無程式設計背景的人所撰寫，讓學習者利用邏輯思

維與執行步驟來思考問題和解決問題，靈活運用App Inventor所提供的程式模塊，輕鬆設計出各種豐富而精采的APP專案。   　　◆書中規劃了「簡單做設計」和「密技」單元，讓學習者輕鬆運用介紹的功能來編排版面或設定組件的程式模塊，「範例」是將該章節所學到功能技巧，靈活運用到日常生活的APP專案中，範例多達三十個以上，精緻而完整。   　　◆本書「附錄」將一般讀者不熟悉的影像處理也一併做介紹，對於如何製作去背景的按鈕，以及如何製作螢幕背景圖的技巧都一併做介紹，讓讀者不再為插圖的設計傷腦筋。   　　◆內附完整範例與相關圖檔，方便學習者操作練習，無程式基礎的人也能輕鬆上手無負擔。   　　◆從開

發環境的建構、專案的設計、管理、維護、測試、打包、上架Play商店等都有完整解說，主題涵蓋介面的布局、程式基礎運算、流程控制、清單應用、影片、音樂、照相、錄影、繪圖、動畫、網路瀏覽器、地標搜尋、導航、電話、簡訊、聯絡人等各種應用，內容精彩有看頭。

使用低量學習技術對人臉進行漸進式分類

為了解決手機相簿分類的問題，作者郭彥廷 這樣論述：

人臉識別及分類是人工智能的熱門研究課題，針對此課題已開發出許多高準確度的類神經網路系統。在給予大量訓練數據時，深度神經網路（Deep Neural Networks）的學習模型經常很成功。但對未知的類別只給予少數數量的數據時，即所謂的低量學習(Few Shot Learning，FSL）問題，目前還是極具挑戰，尚未有良好的解決方案。本研究的目的是設計一個智慧個人相簿(Smart Personal Photo Album)系統。該系統能用很少量的樣本照片來訓練出相當精準的人臉分類，並且能在輕量級硬體設備（例如手機）上運行。為此，我們收集研讀低量學習的文獻，並模擬比較最新的幾項元學習（Meta-

Learning）演算法，希望針對人臉，尋找設計出類別逐步增加(Class Incremental)的低量學習系統。為設計此智慧個人相簿，在挑選系統組成元件和選擇適當參數過程中，我們深入探討多個相關議題，例如基礎網路架構（ResNet或MobileFaceNet），損失函數（Softmax或ArcFace），負距離參數（在訓練和測試中的negative margin），學習率（指數衰減或餘弦波型）以及不平衡數據的訓練和測試。總結大量實驗的結果，本系統選擇MobileFaceNet作為特徵提取器(Feature Extractor)，以達成在輕量級硬體設備上運轉的目標。經過大量數據訓練出的離線

模型，能在工廠端預先安裝在商品設備上。接著，本系統能將工廠預先學習到的能力，擴充到使用者端，可以使用低量數據學習認識新的人臉。如何使用預設模型，經果少量新類別數據訓練，即可出有效推廣到新類別辨識，是一個難題。使用餘弦為基礎的損失函數（例如ArcFace）搭配負距離參數，似可提高若干特徵提取器的泛化(Generalization)能力。但是對於具有非常類似特徵的人臉，其性能改進幅度不大，同時它具有數個對未知類別頗為敏感且難以調整的參數。因而我們仍採用較簡單的Softmax損失函數。此外，我們提出三種方案來處理相簿中，不需要加以分類的人臉照片，即所謂的X類。我們透過大量實驗來了解這些方案的利弊。最

後，在本研究中，我們適度修改原本的Meta-Transfer Learning技術來實現智慧個人相簿系統。