問題的答案無所不包論文書籍站
明志科技大學 視覺傳達設計系碩士班 劉瑞芬所指導 林貞瑜的 設計趨勢預測應用於設計思考流程之研究 （2021），提出macro function差異關鍵因素是什麼，來自於設計趨勢、預測方法、設計思考、設計流程。
而第二篇論文國立陽明交通大學 電子研究所 張添烜所指導 江宇翔的 應用於物件偵測與關鍵字辨識之強健記憶體內運算設計 （2021），提出因為有 記憶體內運算、物件偵測、關鍵字辨識、模型個人化的重點而找出了 macro function差異的解答。
設計趨勢預測應用於設計思考流程之研究
為了解決macro function差異 的問題，作者林貞瑜 這樣論述：
台灣近年愈來愈重視設計產業，政府提倡將設計作爲企業的目標策略與核心，不過目前許多政策仍在規劃階段，只有少數成功的大型企業，早已開始進行設計趨勢相關的研究工作，因此本研究動機為瞭解企業執行設計趨勢的目的與過程，以及對設計師的影響。本研究採用質性研究中的半結構式訪談，以台灣本土大型科技企業之設計中心作為本研究之個案，透過研究目的：一、瞭解企業內部如何進行設計趨勢預測與彙整。二、企業內之設計師如何應用設計趨勢進行設計思考與發想。三、設計趨勢對於企業內的設計師的影響為何。以及文獻探討的歸納，聚焦於企業中執行設計趨勢預測與設計思考之流程及應用，以及企業內之設計師認為趨勢預測之於個人或公司之影響，訪綱分
為四大類，共26道題目，分別訪談八位參與過設計趨勢研究之設計師，從中瞭解設計趨勢的重要性。本研究依照企業內部設計師們所提供的經驗與建議，研究者根據訪談結果提出下列點結論：1、企業內之設計中心執行趨勢，會綜合多種不同形式的團體預測方法使用，每年無固定使用之方法，會依據人員、目標的不同去做調整，訂定趨勢結論。；2、企業全體人員可從宏觀趨勢抓取機會點，在成立新專案時導入，而設計人員可從設計趨勢抓取應用面，在設計發想時導入使用，或是設計提案時導入設計理念中。；3、設計趨勢對於設計師而言，是一個與時俱進的工具書，使設計作品在產業界的壽命更加長遠。4.趨勢研究結果不需要強制在設計中心內部去做驗證，可以從市
場回饋中得到答案。
應用於物件偵測與關鍵字辨識之強健記憶體內運算設計
為了解決macro function差異 的問題，作者江宇翔 這樣論述：
近年來，由於不同的應用都能夠藉由和深度學習的結合而達到更好的結果，像是物件偵測、自然語言處理以及圖像辨識，深度學習在終端設備上的發展越來越廣泛。為了應付深度學習模型的龐大資料搬移量，記憶體內運算的技術也在近年來蓬勃發展，不同於傳統的范紐曼架構，記憶體內運算使用類比域的計算使儲存設備也同樣具備運算的能力。儘管記憶體內運算具有降低資料搬移量的優點，比起純數位的設計，在類比域進行計算容易受到非理想效應的影響，包括元件本身或是周邊電路的誤差，這會造成模型災難性的失敗。此篇論文在兩種不同的應用領域針對記憶體內運算進行強健的模型設計及硬體實現。在電阻式記憶體內運算的物件偵測應用當中，我們將重點放在改善模
型對於非理想效應的容忍度。首先，為了降低元件誤差的影響，我們將原本的二值化權重網路改變為三值化權重網路以提高電阻式記憶體中高阻態元件的數量，同時能夠直接使用正權重及負權重位元線上的電流值進行比較而不使用參考位元線作為基準。其次，為了避免使用高精度的正規化偏差值以及所導致的大量低阻態元件佈署，我們選擇將網路中的批次正規化層移除。最後，我們將運算從分次的電流累加運算改為一次性的運算，這能夠將電路中非線性的影響降到最低同時避免使用類比域的累加器。相較於之前的模型會受到這些非理想效應的嚴重影響導致模型無法運作，我們在考慮完整的元件特性誤差，周邊電路誤差以及硬體限制之下，於IVS 3cls中做測試，能夠
將平均精確度下降控制在7.06\%，在重新訓練模型後能更進一步將平均精確度下降的值降低到3.85\%。在靜態隨機存取記憶體內運算的關鍵字辨識應用當中，雖然非理想效應的影響相對較小，但是仍然需要針對周邊電路的誤差進行偏壓佈署補償，在經過補償及微調訓練後，在Google Speech Command Dataset上能夠將準確率下降控制在1.07\%。另外，由於語音訊號會因為不同使用者的資料而有大量的差異，我們提出了在終端設備上進行模型的個人化訓練以提高模型在小部分使用者的準確率，在終端設備的模型訓練需要考量到硬體精度的問題，我們針對這些問題進行誤差縮放和小梯度累積以達到和理想的模型訓練相當的結果
。在後佈局模擬的結果中，這個設計在推論方面相較於現有的成果能夠有更高的能源效率，達到68TOPS/W，同時也因為模型個人化的功能而有更廣泛的應用。