diy的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列推薦必買和特價產品懶人包

diy進入發燒排行的影片

以科學玩具設計科學探究教學之行動研究-以「旋轉管的奧秘」及「靜電動力球」為例

為了解決 diy的問題，作者陳必榮 這樣論述：

本研究目的為利用「科學玩具」設計「科學探究」之教學，以行動研究探討於教學歷程中高中學生之科學探究能力的學習成效，以及教學時教師所遭遇到的困難與解決方法，並探討教師之專業成長。本研究設計「旋轉管的奧秘」與「靜電動力球」兩個科學玩具單元，每個單元設計三節課程，並進行兩階段的教學循環，每階段選取中部某高中一個班級的學生（約36人）為研究對象。研究透過蒐集與分析教學錄影、教學札記、學習單、學習興趣問卷、科學探究能力評量、協同教師教學觀察紀錄檢核表、訪談紀錄等相關資料，獲得以下結論：（1）「科學探究能力」評量結果（總分21分），第一階段教學之後測平均分數為15.81分（前測為15.64分），第二階段教

學之後測平均分數為17.70分（前測為16.79分），兩階段的平均分數皆為後測高於前測，且第二階段達顯著差異（p < .05）；（2）研究者對於探究教學遭遇之困難提出的解決方法包括「給予充足的討論時間並且適時引導各組進行討論」、「隨機抽點學生回答問題、搭配加分獎勵制度以及明訂每項活動進行的時間」與「實驗前說明操作方法並提供更容易操作之器材」等；（3）以科學玩具設計探究教學的歷程中，研究者在「增進教學活動設計能力」、「提升探究教學能力」與「提升教學研究能力」等面向獲得專業成長。本研究最後對「以科學玩具設計科學探究教學」之教學以及未來研究發展提出建議，以提供高中教師及有意從事科學玩具與探究教學之研

究者參考。

車道辨識之卷積神經網路架構設計

為了解決 diy的問題，作者黃孟涵 這樣論述：

本論文設計並實作一款應用於車道辨識之卷積神經網路 (Convolutional neural network, CNN) 模型。首先，製作了一台架設160度廣角相機之輪型機器人，並分別使用手動及無線搖桿二種方式，控制輪型機器人在車道場地上行走在不同的位置上同時拍攝照片，蒐集到的照片作為卷積神經網路之訓練及測試資料集。接下來，使用PyTorch作為深度學習框架，包含定義CNN架構、訓練及測試模型。經過數個不同的模型參數的測試，包含隱藏層層數、全連接層之神經元數量、學習率和兩種不同的優化器等。最後設計完成之CNN模型包括：輸入層為3×220×220的三維矩陣，輸出層為5個類別的分類節點，隱藏層由

2層卷積層、2層池化層及2層全連接層所組成。此模型在車道辨識的準確率可達到99.6%。訓練完成之CNN模型被實現在輪型機器人的微控制器中，並在實驗車道場地上進行測試。實驗結果顯示在整體的測試例中，CNN模型的判斷準確率為92.5%，但在輪型機器人處於道路右側進行右轉的條件下，CNN模型準確率僅82.5%，還需進一步研究及改善。