pixel斷觸的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到附近那裡買和營業時間的推薦產品

AI安全之對抗樣本入門

為了解決pixel斷觸的問題，作者兜哥 這樣論述：

本書系統介紹對抗樣本的基本原理，從相關的背景知識開始，包含搭建學習對抗樣本的軟硬體環境、常用工具，帶領讀者快速上手實踐。本書作者在安全領域有多年實踐經驗，對業界常見的方法做了系統的歸納總結，包含大量案例，深入淺出，實踐性強。 主要內容包括：·對抗樣本相關的深度學習背景知識，如梯度、優化器、反向傳遞等。·如何搭建學習對抗樣本的軟硬體環境。·對抗樣本領域的一些常見圖像處理技巧。·常見的白盒攻擊演算法與黑盒攻擊演算法。·對抗樣本在目標檢測領域的應用。·對抗樣本的常見加固演算法。·常見的對抗樣本工具以及如何搭建NIPS對抗樣本競賽環境。·如何站在巨人的肩膀上，快速生成自己的對抗樣本，進行攻防對抗。

兜哥，百度安全實驗室AI模型安全負責人，具有10餘年安全從業經歷，曾任百度基礎架構安全負責人、Web安全產品線負責人。主要研究方向為對抗樣本、生成對抗網路。著有AI安全暢銷書籍《Web安全之機器學習入門》《Web安全之深度學習實戰》《Web安全之強化學習與GAN》。著名開源AI安全工具箱AdvBox的作者，Free Buf、雷鋒網、安全客特邀專欄作家，知名安全自媒體「兜哥帶你學安全」主編。 序一 序二 自序 前言 第1章　深度學習基礎知識 1 1.1　深度學習的基本過程及相關概念 1 1.1.1　數據預處理 1 1.1.2　定義網路結構 2 1

.1.3　定義損失函數 6 1.1.4　反向傳遞與優化器 7 1.1.5　範數 12 1.2　傳統的圖像分類演算法 13 1.3　基於CNN的圖像分類 14 1.3.1　局部連接 14 1.3.2　參數共用 15 1.3.3　池化 17 1.3.4　典型的CNN結構 18 1.3.5　AlexNet的結構 19 1.3.6　VGG的結構 19 1.3.7　ResNet50 20 1.3.8　InceptionV3 20 1.3.9　視覺化CNN 20 1.4　常見性能衡量指標 30 1.4.1　測試資料 30 1.4.2　混淆矩陣 31 1.4.3　準確率與召回率 31 1.4.4　準確度與F

1-Score 32 1.4.5　ROC與AUC 33 1.5　集成學習 34 1.5.1　Boosting演算法 35 1.5.2　Bagging演算法 37 1.6　本章小結 39 第2章　打造對抗樣本工具箱 40 2.1　Anaconda 41 2.2　APT更新源 45 2.3　Python更新源 45 2.4　Jupyter notebook 45 2.5　TensorFlow 49 2.6　Keras 50 2.7　PyTorch 51 2.8　PaddlePaddle 52 2.9　AdvBox 52 2.10　GPU伺服器 52 2.11　本章小結 55 第3章　常見深度學

習平臺簡介 56 3.1　張量與計算圖 56 3.2　TensorFlow 58 3.3　Keras 62 3.4　PyTorch 64 3.5　MXNet 67 3.6　使用預訓練模型 70 3.7　本章小結 76 第4章　影像處理基礎知識 77 4.1　圖像格式 77 4.1.1　通道數與圖元深度 77 4.1.2　BMP格式 80 4.1.3　JPEG格式 81 4.1.4　GIF格式 81 4.1.5　PNG格式 81 4.2　圖像轉換 81 4.2.1　仿射變換 81 4.2.2　圖像縮放 83 4.2.3　圖像旋轉 85 4.2.4　圖像平移 85 4.2.5　圖像剪切 86 4

.2.6　圖像翻轉 87 4.2.7　亮度與對比度 88 4.3　圖像去噪 89 4.3.1　高斯雜訊和椒鹽雜訊 90 4.3.2　中值濾波 91 4.3.3　均值濾波 93 4.3.4　高斯濾波 93 4.3.5　高斯雙邊濾波 94 4.4　本章小結 96 第5章　白盒攻擊演算法 97 5.1　對抗樣本的基本原理 97 5.2　基於優化的對抗樣本生成演算法 100 5.2.1　使用PyTorch生成對抗樣本 102 5.2.5　使用TensorFlow生成對抗樣本 106 5.3　基於梯度的對抗樣本生成演算法 109 5.4　FGM/FGSM演算法 110 5.4.1　FGM/FGSM基本

原理 110 5.4.2　使用PyTorch實現FGM 111 5.4.3　使用TensorFlow實現FGM 112 5.5　DeepFool演算法 115 5.5.1　DeepFool基本原理 115 5.5.2　使用PyTorch實現DeepFool 117 5.5.3　使用TensorFlow實現DeepFool 122 5.6　JSMA演算法 124 5.6.1　JSMA基本原理 124 5.6.2　使用PyTorch實現JSMA 126   生活中的深度學習 深度學習自2006年產生之後就受到科研機構、工業界的高度關注。最初，深度學習主要用於圖像和語音領域。從2

011年開始，穀歌研究院和微軟研究 院的研究人員先後將深度學習應用到語音辨識，使識別錯誤率下降了20%～30%。2012年6月，穀歌首席架構師Jeff Dean和斯坦福大學教授Andrew Ng主導著名的Google Brain項目，採用16萬個CPU來構建一個深層神經網路，並將其應用於圖像和語音的識別，最終大獲成功。 2016年3月，AlphaGo與圍棋世界冠軍、職業九段棋手李世石進行圍棋人機大戰，以4比1的總比分獲勝；2016年年末2017年年初，該程 序在中國棋類網站上以“大師”（Master）為註冊帳號與中日韓數十位圍棋高手進行快棋對決，連續60局無一敗績；2017年5月，在中國烏鎮

圍棋峰會上，它與排名世界第一的圍棋世界冠軍柯潔對戰，以3比0的總比分獲勝。AlphaGo的成功更是把深度學習的熱潮推向了全球，成為男女老少茶餘飯後關注的熱點話題。 現在，深度學習已經遍地開花，在方方面面影響和改變著人們的生活，比較典型的應用包括智慧家居、智慧駕駛、人臉支付和智慧安防。 深度學習的脆弱性 深度學習作為一個非常複雜的軟體系統，同樣會面對各種駭客攻擊。駭客通過攻擊深度學習系統，也可以威脅到財產安全、個人隱私、交通安全和公共安全（見圖0-1）。針對深度學習系統的攻擊，通常包括以下幾種。 1. 偷取模型 各大公司通過高薪聘請AI專家設計模型，花費大量資金、人力搜集訓練資料，又花費

大量資金購買GPU設備用於訓練模型，最後得到深度學習模型。深度學習模型的最終形式也就是從幾百KB到幾百MB不等的一個模型檔。深度學習模型對外提供服務的形式也主要分為雲模式的API，或者私有部署到使用者的移動 設備或資料中心的伺服器上。針對雲模式的API，駭客通過一定的遍歷演算法，在調用雲模式的API後，可以在本地還原出一個與原始模型功能相同或者類似的模型；針對私有部署到使用者的移動設備或資料中心的伺服器上，駭客通過逆向等傳統安全技術，可以把模型檔直接還原出來供其使用。偷取深度學習模型的過程如圖 0-2所示。 2. 數據投毒 針對深度學習的資料投毒主要是指向深度學習的訓練樣本中加入異常資料，導

致模型在遇到某些條件時會產生分類錯誤。如圖0-3所示。早期的資料投毒都 存在於實驗室環境，假設可以通過在離線訓練資料中添加精心構造的異常資料進行攻擊。這一攻擊方式需要接觸到模型的訓練資料，而在實際環境中，絕大多數情況都是公司內部在離線資料中訓練好模型再打包對外發佈服務，攻擊者難以接觸到訓練資料，攻擊難以發生。於是攻擊者把重點放到了線上學習的場景，即模型是利用線上的資料，幾乎是即時學習的，比較典型的場景就是推薦系統。推薦系統會結合使用者的歷史資料以及即時的訪問資料，共同進行學習和判斷，最終得到推薦結果。駭客正是利用這一可以接觸到訓練資料的機會，通過一定的演算法策略，發起訪問行為，最終導致推薦系統

產生錯誤。 3. 對抗樣本 對抗樣本由Christian Szegedy等人提出，是指在資料集中通過故意添加細微的干擾所形成的輸入樣本，這種樣本導致模型以高置信度給出一個錯誤的輸出。在正則化背景下，通過對抗訓練減少原有獨立同分佈的測試集的錯誤率，在對抗擾動的訓練集樣本上訓練網路。 簡單地講，對抗樣本通過在原始資料上疊加精心構造的人類難以察覺的擾動，使深度學習模型產生分類錯誤。以圖像分類模型為例，如圖0-4所示，通過在原始圖像上疊加擾動，對於肉眼來說，擾動非常細微，圖像看起來還是熊貓，但是圖像分類模型卻會以很大的概率識別為長臂猿。 下面以一個圖像分類模型為例，更加直接地解釋對抗樣本的基本原

理。通過在訓練樣本上學習，學到一個分割平面，在分割平面一側的為綠球，在分割平面另 外一側的為紅球。生成攻擊樣本的過程，就是在資料上添加一定的擾動，讓其跨越分割平面，從而把分割平面一側的紅球識別為綠球，如圖0-5所示。 對抗樣本按照攻擊後的效果分為Targeted Attack（定性攻擊）和Non-Targeted Attack（無定向攻擊）。區別在於Targeted Attack在攻擊前會設置攻擊的目標，比如把紅球識別為綠球，或者把麵包識別為熊貓，也就是說在攻擊後的效果是確定的；Non-Targeted Attack在攻擊前不用設置攻擊目標，只要攻擊後，識別的結果發生改變即可，可能會把麵包識

別為熊貓，也可能識別為小豬佩琪或者小豬喬治，如圖0-6所 示。 對抗樣本按照攻擊成本分為White-Box Attack（白盒攻擊）、Black-Box Attack（黑盒攻擊）和Real-World Attack/Physical Attack（真實世界/物理攻擊）。 White-Box Attack（見圖0-7）是其中攻擊難度最低的一種，前提是能夠完整獲取模型的結構，包括模型的組成以及隔層的參數情況，並且可以完整控制模型的輸入， 對輸入的控制細微性甚至可以到比特級別。由於White-Box Attack前置條件過於苛刻，通常作為實驗室的學術研究或者作為發起Black-Box Attac

k和Real-World Attack/Physical Attack的基礎。 Black-Box Attack相對White-Box Attack攻擊難度具有很大提高，Black-Box Attack完全把被攻擊模型當成一個黑盒，對模型的結構沒有瞭解，只能控制輸入，通過比對輸入和輸出的回饋來進行下一步攻擊，見圖0-8。 Real-World Attack/Physical Attack（見圖0-9）是這三種攻擊中難度最大的，除了不瞭解模型的結構，甚至對於輸入的控制也很弱。以攻擊圖像分類模型為例（見圖0-10），生成 的攻擊樣本要通過相機或者攝像頭採集，然後經過一系列未知的預處理後再輸入模型進

行預測。攻擊中對抗樣本會發生縮放、扭轉、光照變化、旋轉等。 常見檢測和加固方法 1. 深度學習脆弱性檢測 檢測深度學習脆弱性的過程，其實就是發起攻擊的過程，常見的白盒攻擊演算法列舉如下。 ILCM(最相似反覆運算演算法) FGSM(快速梯度演算法) BIM(基礎反覆運算演算法) JSMA(顯著圖攻擊演算法) DeepFool(DeepFool演算法) C/W(C/W演算法) 常見的黑盒攻擊方法列舉如下。 Single Pixel Attack(單圖元攻擊) Local Search Attack(本地搜索攻擊) 2. 深度學習脆弱性加固 針對深度學習脆弱性進行加固的常見方法主要包括以下幾種，

我們將重點介紹Adversarial training。 Feature squeezing(特徵凝結) Spatial smoothing(空間平滑) Label smoothing(標籤平滑) Adversarial training(對抗訓練) Virtual adversarial training (虛擬對抗訓練) Gaussian data augmentation (高斯資料增強) Adversarial training如圖0-11所示，其基本思路是，常見的對抗樣本生成演算法是已知的，訓練資料集也是已知的，那麼可以通過常見的一些對抗樣本工具箱，比如 AdvBox 或者FoolB

ox，在訓練資料的基礎上生成對應的對抗樣本，然後讓深度學習模型重新學習，讓它認識這些常見的對抗樣本，這樣新生成的深度學習模型就具有 了一定的識別對抗樣本的能力。 與Adversarial training思路類似的是Gaussian data augmentation。Gaussian data augmentation的基本原理是，對抗樣本是在原始資料上疊加一定的擾動，這些擾動非常接近隨機的一些雜訊。Adversarial training雖然簡單易於實現，但是技術上難以窮盡所有的攻擊樣本。Gaussian data augmentation直接在原始資料上疊加高斯雜訊，如圖0-12所示，k

為高斯雜訊的係數，係數越大，高斯雜訊越強，其他參數分別表示高斯雜訊的均 值和標準差。Gaussian data augmentation把訓練資料疊加了雜訊後，重新輸入給深度學習模型學習，通過增加訓練輪數、調整參數甚至增加模型層數，在不降低原有模型準確度的 情況下，讓新生成的深度學習模型具有了一定的識別對抗樣本的能力。 對抗樣本領域的最新進展 對抗樣本是AI安全研究的一個熱點，新的攻擊演算法和加固方法層出不窮，而且攻擊場景也從實驗室中的簡單圖像分類，迅速擴展到智慧音箱、無人駕駛等領 域。百度安全實驗室的最新研究報告《感知欺騙：基於深度神經網路（DNN）下物理性對抗攻擊與策略》成功入選Blac

kHat Europe 2018。報告展現了讓物體在深度學習系統的“眼”中憑空消失，在AI時代重現了大衛·科波菲爾的經典魔法。針對深度學習模型漏洞進行物理攻擊可行性研究 有著廣泛的應用前景，在自動駕駛領域、智慧安防領域、物品自動鑒定領域都有重要的實際意義。 如圖0-13所示，在時間t0的時候，當在車後顯示器中顯示正常logo時，YOLOv3可以正確識別目標車輛，而在t1時，切換到擾動後的圖片 時，它可以立刻讓目標車輛在YOLOv3面前變得無法辨識；在t2時，如圖0-14所示切換回正常的圖片，YOLOv3重新可以識別目標車輛。這是首次針 對車輛的物理攻擊的成功展示，與以往的學術論文相比，在攻擊

目標的大小、解析度的高低以及物理環境的複雜性等方面，在影響和難度上都是一個巨大提升。 Kan Yuan和Di Tang等人在論文《Stealthy Porn: Understanding Real-World Adversarial Images for Illicit Online Promotion》中介紹了黑產如何通過單色化、加雜訊、增加文字、仿射變化、濾波模糊化和遮蓋等方式讓違規圖片繞過目前主流的圖片內容檢測服務。這也標誌著對抗樣本技術已經從實驗室環境真正進入了網路對抗實戰。 國內安全人員在對抗樣本領域的研究成果得到了國際的普遍認可。朱軍等人指導的清華大學團隊曾在NIPS 2017

對抗樣本攻防競賽中奪冠，紀守領老師所在的 NESA Lab提出了一種新型的對抗性驗證碼，能防範來自打碼平臺等黑產的破解。  

pixel斷觸進入發燒排行的影片

媒介化視域下的互動影像研究

為了解決pixel斷觸的問題，作者羅婧婷 這樣論述：

互動影像作為一種媒介並不是在數位媒體時代才誕生，其在活動影像誕生伊始就已經存在。但在以往的研究中互動影像被作為一種媒體(media)進行探討，但媒體擠壓了中介物、技術和組織機構三種意義。若繼續將其作為媒體進行研究則無法觸及互動影像的本質，只會停留在其表徵層面。有鑒於此，本研究提出將互動影像作為一種媒介(medium)，並在媒介化視域下對互動影像媒介進行研究，通過揭示機械化波動階段、電氣化波動階段、數位化波動階段和數據化波動階段中互動影像媒介邏輯，探勘其如何在各個波動階段被實踐、被理解、被傳播、被運用。本研究試圖打造適用於互動影像的媒介化研究模型，並在歷時性維度上探索不同波動階段中互動影像的共

時性發展，提取每個波動階段中互動影像媒介的關鍵詞，在用經驗檢視研究模型的同時，建構出不同時期互動影像媒介的譜係，揭示其在不同的媒介化波動階段的樣貌，回答互動影像是什麼這一問題。由於研究內容跨越了媒介化的不同波動階段，故本研究將多種研究方法相結合，針對不同時期的互動影像特征採取對應的研究方法進行探討。首先，在研究進行之前，用焦點團體訪談法對互動影像相關主題進行初探研究，更寬泛的對研究主題進行了解。其次，針對研究中的歷時性觀點，在機械化波動階段和電氣化波動階段，主要採用實物分析法對互動影像相關資料進行收集和分析。此外，數位化波動階段和邁向數據化的波動階段中，則採用深度訪談和大數據分析法進行探討。本

研究通過探索互動影像媒介化過程發現，互動影像的發展既沒有遵循Kunn的範式模型，也没有遵循尖锐的認知斷裂的 Foucault式模型。而是遵循Hayles在關於控制論与后人类的研究中，提出的序列化（seriation）觀點，即是一种重複與創新相互交疊的模式。且在不同的媒介化波動階段中，互動影像媒介呈現的媒體表現形式是多元的，同時各階段的人工製品也表達出該時期互動影像的主要觀念。本研究首次用一種建構主義的方法詮釋互動影像，為該領域的後續研究奠定學術基礎。

iOS核心開發手冊(原書第5版)

為了解決pixel斷觸的問題，作者(美)薩頓 這樣論述：

由著名iOS編程專家、頂級iOS開發大師聯合撰寫，是市面上最暢銷的iOS開發圖書的全新升級版本。書中用豐富的實例、直觀的代碼展示創建優秀iOS程序所需的全部技巧，幫助讀者輕松掌握並高效開發iOS程序。EricaSadun是一位暢銷書作者，曾編著、合著、參與貢獻出版了幾十本有關移動開發和相關主題的書籍，包括廣受歡迎的The Core iOS6 Developer’’s Cook book、iOS Auto Layout Demystified、iOS Drawing：Pratical UI Kit Solutions以及Talking to Siri。她還寫博客。愛飛翔，資深軟件開發工程師，擅長

Web開發、移動開發和游戲開發，有10余年開發經驗，曾主導和參與了多個手初游戲和手機軟件項目的開發，經驗十分豐富。業余愛好文學和歷史，有一定的文學造詣。翻譯並出版了《Android游戲開發實踐指南》、《測試驅動的iOS開發》、《HTML5Canvas核心技術：圖形、動畫與游戲開發》和《JavaScript應用開發實踐指南》等書。Rich Wardwell是Black Pixel的資深iOS及Mac開發者，在專業級服務器、桌面和移動領域有20多年軟件開發經驗，並以主要開發者的身份參與制作了很多款Apple App Stre上的優秀iOS應用程序，包括USA Today及Fox News。

譯者序前 言致 謝第1章 手勢與觸摸 11.1 觸摸 11.1.1 觸摸操作所處的階段 21.1.2 UIResponder類中的觸摸事件響應方法 31.1.3 對視圖的觸摸 41.1.4 多點觸摸 41.1.5 手勢識別器 51.2 解決方案：添加簡單的直接操縱界面 51.3 解決方案：添加拖動手勢識別器 71.4 解決方案：同時使用多個手勢識別器 91.5 解決方案：限制移動 141.6 解決方案：測試觸摸 151.7 解決方案：針對位圖的觸摸測試 171.8 解決方案：根據觸摸情況在屏幕上繪制內容 191.9 解決方案：令繪制效果變得平滑 211.10 解決方案：啟用多點觸

摸 241.11 解決方案：檢測圓圈手勢 271.12 解決方案：創建自定義手勢識別器 321.13 解決方案：把滾動視圖中的內容拖曳到外面 341.14 解決方案：實時的觸摸反饋 371.14.1 啟用觸摸反饋效果 381.14.2 攔截並轉發觸摸事件 381.14.3 實現TOUCHkit的TOUCHkitView類 401.15 解決方案：向視圖中添加菜單 421.16 小結 43第2章 構建並使用控件 452.1 UIControl類 452.1.1 目標—動作模式 462.1.2 控件的種類 462.1.3 控件事件 462.2 按鈕 482.3 Interface Builder中

的按鈕 502.4 解決方案：構建按鈕 512.4.1 多行按鈕文本 542.4.2 為按鈕添加動畫元件 542.4.3 為按鈕添加額外狀態 552.5 解決方案：使按鈕以動畫效果來響應用戶 552.6 解決方案：為滑桿控件添加自定義的滑塊 572.6.1 定制UISlider控件 572.6.2 添加優化代碼 582.7 解決方案：創建可以連續點擊兩次的分段選擇控件 612.7.1 實現第二次點擊時的反饋效果 622.7.2 控件及帶屬性的字符串 632.8 開關控件與步進控件 642.9 解決方案：編寫UIControl的子類 652.9.1 創建控件 682.9.2 追蹤觸摸事件 682

.9.3 派發控件事件 692.10 解決方案：構建評分所用的Star Slider控件 692.11 解決方案：構建觸摸轉盤控件 722.12 解決方案：創建拉曳控件 752.12.1 為控件添加提示效果 752.12.2 測試觸摸 772.13 解決方案：構建自定義的鎖定控件 802.14 解決方案：圖片庫查看器 832.15 構建工具欄 852.16 小結 88第3章 提醒用戶 893.1 直接向用戶彈出警告視圖 893.1.1 構建簡單的警告視圖 893.1.2 設置UIAlertView的委托 913.1.3 顯示UIAlertView 923.1.4 各種UIAlertView 9

23.2 解決方案：構建支持塊的警告視圖 933.2.1 塊簡介 933.2.2 使用塊時避免保留循環 953.3 解決方案：將變長參數列表與UIAlertView結合起來使用 983.4 展示選項列表 993.4.1 滾動菜單 1013.4.2 在動作表中顯示文本 1013.5 將操作進度告知用戶並提示其稍等片刻 1023.5.1 使用UIActivity—IndicatorView 1033.5.2 使用UIProgressView 1033.6 解決方案：在屏幕上繪制模態的進度指示器 1043.7 解決方案：自制的模態警告視圖 1063.8 解決方案：基本的popover 1103.9

解決方案：本機通知 1113.10 用網絡活動指示器提醒用戶 1133.11 解決方案：播放簡單的提示音 1143.11.1 System Sound 1143.11.2 為使用系統框架而引入模塊 1153.11.3 震動 1153.11.4 警示音 1163.11.5 延遲 1173.11.6 釋放系統音 1173.12 小結 117第4章 編排視圖及其動畫效果 1194.1 視圖層級 1194.2 解決方案：用樹狀圖來描述視圖層級 1214.3 解決方案：查詢子視圖 1234.4 管理子視圖 1254.4.1 添加子視圖 1254.4.2 重排及刪除子視圖 1254.4.3 UIView的

回調方法 1254.5 為視圖設定標簽並查找視圖 1264.6 解決方案：通過對象關聯機制為視圖設定名稱 1274.7 視圖的幾何特征 1294.7.1 框架 1304.7.2 與CGRect有關的工具函數 1304.7.3 CGPoint與CGSize 1314.7.4 CGAffineTransform 1324.7.5 坐標系統 1334.8 解決方案：操控視圖的框架 1334.8.1 調整視圖的尺寸 1344.8.2 CGRect與中心點 1364.8.3 視圖的其他幾何特征 1374.9 解決方案：獲取與坐標變換有關的信息 1414.9.1 獲取與變換有關的屬性 1414.9.2 判

斷兩個視圖是否相交 1424.10 與顯示和交互有關的特征 1474.11 UIView的動畫效果 1484.12 解決方案：視圖的淡入與淡出 1504.13 解決方案：交換兩個視圖的前后順序 1514.14 解決方案：翻轉視圖 1514.15 解決方案：采用Core Animation API來制作切換效果 1534.16 解決方案：使視圖在出現之后回彈 1554.17 解決方案：關鍵幀動畫 1564.18 解決方案：UIImageView的動畫效果 1574.19 小結 158第5章 視圖的約束系統 1605.1 什麼是約束 1615.2 約束系統所用的屬性 1615.3 約束系統的運作規

律 1635.4 約束規則與框架屬性 1655.4.1 固有內容的尺寸 1655.4.2 對齊矩形 1665.5 創建約束規則 1675.5.1 基本約束規則聲明 1675.5.2 用可視化格式字符串聲明約束規則 1685.5.3 變量綁定 1695.6 格式字符串 1695.6.1 方向 1695.6.2 連接 1715.7 謂詞 1735.7.1 指標 1735.7.2 描述兩個視圖關系的謂詞 1745.7.3 優先級 1745.8 格式字符串總結 1745.9 用格式字符串將視圖對齊並靈活調整其尺寸 1765.10 處理約束規則的流程 1765.11 管理約束規則 1775.12 解決方

案：實現約束規則之間的對比 1785.13 解決方案：創建尺寸固定且受規則約束的視圖 1815.13.1 禁用translatesAutoresizing—MaskIntoConstraints 1815.13.2 令視圖出現在上級視圖范圍內 1825.13.3 限定視圖的尺寸 1835.13.4 把前面各節內容拼裝起來 1835.14 解決方案：將兩個視圖居中對齊 1855.15 解決方案：設定寬高比 1865.16 解決方案：響應屏幕方向的變更 1885.17 調試約束規則 1905.18 解決方案：描述約束規則 1915.19 用宏來創建約束規則 1945.20 小結 197第6章 文本

輸入 1986.1 解決方案：隱藏UITextField的鍵盤 1996.1.1 阻止系統把鍵盤隱藏起來 2006.1.2 UITextInputTraits協議中的屬性 2006.1.3 文本框的其他屬性 2016.2 解決方案：把帶有自定義輔助視圖的鍵盤隱藏起來 2036.3 解決方案：根據鍵盤來調整文本視圖 2056.4 解決方案：創建自定義的輸入視圖 2096.5 解決方案：使視圖具備文本輸入功能 2136.6 解決方案：為非文本視圖添加自定義的輸入視圖 2166.7 解決方案：創建更好的文本編輯器（第一部分） 2186.8 解決方案：創建更好的文本編輯器（第二部分） 2216.8.1

啟用Attributed Text 2216.8.2 控制文本的樣式 2216.8.3 可供UIResponder使用的其他功能 2236.9 解決方案：過濾用戶所輸入的文本 2246.10 解決方案：檢測文本模式 2266.10.1 構建自己的正則表達式 2276.10.2 枚舉正則表達式 2276.10.3 數據探測器 2286.10.4 使用內置類型的探測器 2296.10.5 有用的網站 2296.11 解決方案：檢測UITextView中的拼寫錯誤 2316.12 搜尋文本中的字符串 2326.13 小結 233第7章 使用視圖控制器 2347.1 視圖控制器 2347.1.1 U

IViewController類 2357.1.2 導航控制器 2357.1.3 標簽欄控制器 2357.1.4 分欄視圖控制器 2367.1.5 頁面視圖控制器 2367.1.6 popover控制器 2367.2 使用導航控制器與分欄視圖控制器來開發程序 2377.2.1 使用導航控制器與導航棧 2387.2.2 推入與彈出視圖控制器 2397.2.3 導航欄上的按鈕 2397.2.4 延伸至屏幕邊緣的布局形式 2407.3 解決方案：UINavigationItem類 2417.3.1 標題與后退按鈕 2427.3.2 宏 2427.4 解決方案：模態界面 2447.5 解決方案：構建分

欄視圖控制器 2487.6 解決方案：用分欄視圖及導航控制器創建通用的程序 2537.7 解決方案：標簽欄 2557.8 記住標簽的狀態 2597.9 解決方案：頁面視圖控制器 2627.9.1 與書籍展示風格有關的屬性 2627.9.2 封裝實現細節 2637.9.3 范例代碼詳解 2697.9.4 構建界面索引 2707.10 解決方案：自定義的容器 2717.10.1 添加與移除子視圖控制器 2747.10.2 視圖控制器之間的切換效果 2757.11 解決方案：segue 2767.12 小結 282第8章 常用的控制器 2848.1 圖像選取器控制器 2848.1.1 圖像來源 28

48.1.2 在iPhone和iPad中顯示選取器 2858.2 解決方案：選取圖像 2868.2.1 向模擬器中添加圖片 2868.2.2 AssetsLibrary模塊 2868.2.3 展示選取器 2878.2.4 處理delegate的回調 2888.3 解決方案：拍攝照片 2938.3.1 配置選取器 2938.3.2 顯示圖像 2958.3.3 把圖像保存到相冊 2958.4 解決方案：錄制視頻 2978.4.1 創建錄制視頻用的選取器 2988.4.2 保存視頻 2998.5 解決方案：用媒體播放器播放視頻 2998.6 解決方案：編輯視頻 3028.7 解決方案：選取並編輯視頻

3048.8 解決方案：通過電子郵件發送圖片 3068.9 解決方案：發送文本消息 3098.10 解決方案：在社交網站發布消息 3118.11 小結 313第9章 創建並管理表格視圖 3149.1 iOS的表格 3149.2 委托 3159.3 創建表格 3169.3.1 表格的樣式 3169.3.2 排布表格視圖 3169.3.3 設置數據源 3179.3.4 提供單元格 3179.3.5 注冊單元格類 3179.3.6 從隊列中取出單元格 3189.3.7 設置delegate 3189.4 解決方案：實現簡單的表格 3199.4.1 數據源方法 3199.4.2 響應用戶的觸摸 32

29.5 UITableViewCell類 3229.5.1 單元格的selectionStyle屬性 3239.5.2 添加自定義的單元格受選效果 3239.6 解決方案：創建帶有選取標記的單元格 3239.7 給單元格添加詳情展示控件 3259.8 解決方案：編輯表格 3279.8.1 添加撤銷功能 3319.8.2 實現撤銷功能 3329.8.3 顯示移除單元格所用的控件 3329.8.4 處理刪除請求 3329.8.5 通過滑動手勢刪除單元格 3339.8.6 調整單元格的順序 3339.8.7 添加單元格 3339.9 解決方案：操控表格的區段 3349.9.1 構建區段 3349.

9.2 區段數量與區段內的行數 3359.9.3 返回單元格 3359.9.4 創建每個區段的頭部標題 3379.9.5 定制表格與區段的頭部及尾部 3389.9.6 創建區段索引 3389.9.7 處理索引與區段不匹配的問題 3399.9.8 為分區表格實現委托方法 3399.10 解決方案：在表格中搜索 3399.10.1 創建搜索顯示控制器 3419.10.2 為搜索顯示控制器注冊單元格 3419.10.3 構建支持搜索功能的數據源方法 3429.10.4 委托方法 3439.10.5 使用與搜索功能相配套的索引 3449.11 解決方案：給表格添加下拉刷新功能 3459.12 解決方案

：添加指令行 3489.13 制作自定義的分組表格 3519.14 解決方案：構建含有多個滾輪的表格 3529.14.1 創建UIPickerView 3539.14.2 數據源方法與委托方法 3539.14.3 使用帶有選取器的視圖 3549.15 使用UIDatePicker 3569.16 小結 357第10章 集合視圖 35810.1 集合視圖與表格的異同 35810.2 建立集合視圖 36010.2.1 通過控制器使用集合視圖 36110.2.2 直接使用集合視圖 36110.2.3 數據源與委托 36210.3 流式布局 36210.3.1 滾動方向 36210.3.2 條目的尺寸

以及行間距 36210.3.3 頭部與尾部的尺寸 36410.3.4 內邊距 36510.4 解決方案：采用流式布局的簡單集合視圖 36610.5 解決方案：自定義單元格 37010.6 解決方案：水平滾動的列表 37210.7 解決方案：創建交互式的布局效果 37510.8 解決方案：滾動之后自動調整位置 37710.9 解決方案：創建圓形布局 37810.9.1 實現創建條目與刪除條目時的動畫效果 38110.9.2 增強圓形布局的實用性 38210.9.3 布局對象 38310.10 解決方案：用手勢調整布局 38310.11 解決方案：創建真正的網格狀布局 38510.12 解決方案：

為集合視圖中的條目添加自定義菜單 39110.13 小結 393第11章 分享文檔與數據 39411.1 解決方案：使用統一類型標識符 39411.2 解決方案：訪問系統剪貼板 40011.3 解決方案：監控Documents文件夾 40311.4 解決方案：活動視圖控制器 40811.5 解決方案：Quick Look預覽控制器 41711.6 解決方案：使用文檔交互控制器 42011.7 解決方案：聲明程序所支持的文檔類型 42611.8 解決方案：創建基於URL的服務 43111.9 小結 434第12章 淺談Core Data 435第13章 網絡編程基礎 462第14章 針對特定設備

的開發 493第15章 輔助功能 524附錄A Objective—C字面量 536

高光譜血管通路造影平台架設及分析

為了解決pixel斷觸的問題，作者陸鵬丞 這樣論述：

血管通路狀況可以決定一個人的健康情形，而對於血液透析的洗腎病患來說，血管通路的維持至關重要；在現今技術下，能夠檢測血管之方法有血管攝影（Angiography）、血管超音波檢查、聽診、觸診，其中血管攝影需要施打顯影劑，是一種侵入式治療，打顯影劑之前會先麻醉，再來需要穿刺動脈，將導管沿著動脈放至檢查部位注射顯影劑，最後使用X光攝影，而實施過程就是一個小手術，既然是手術就伴隨著一定的風險，並非所有人適合施打顯影劑，且尚有輻射劑量殘留的問題；另外，血管超音波檢查方法需要在檢查部位塗抹上耦合劑，利用探頭朝量測處下壓，此舉對於已施行過動靜脈廔管手術的病患來說是有風險的，受壓後之血管可能導致破裂。其次，

還有聽診和觸診方法，較可避免上述之問題，唯此兩種方法需依賴醫務人員的經驗判斷，沒有一個準確的量測標準。因此，本研究欲建立一套非侵入式血管檢測平台，透過高光譜造影來達到檢測血管通路狀態評估之目標，提供一套簡單快速的檢測工具，而本論文主要著重在平台架設以及血管通路演算法開發階段，本文提出之方法利用血管與皮膚之頻譜特徵資訊存在差異之特性，建立偵測目標與自動化分割模型，以達到血管通路之分割，其分割效果可達到平均0.92的靈敏度，並透過血管分割相似度（Skeleton Similarity）評估法，評估血管走向之分割效能，本論文提出之方法可達到平均0.81的曲度相似準確率。