一健啟動專題

1 組員：陳柏憲、鄧緯、陳美文、蔡元泰、簡上家、黃嘉界、何澐指導老師：郭惠民、徐凡耘、鐘振聲、蔡昀翰、邱士軍、李秉鴻、施丞優吉祥物：十里坡健神一款陪您居家使用的智能教練！ DB103 鑽石組

2 2 報告人：蔡元泰 Google 搜尋趨勢

3 3 一款居家健身必備應用程式 ❖ 個人化飲食及健身推薦 ❖ 運動姿勢校正系統報告人：蔡元泰 3

4 4 前端互動資料萃取體態識別推薦系統動作偵測資料串流雲端架構報告人：蔡元泰

6 6 報告人：蔡元泰鄧緯(副組長) 陳柏憲(組長) 簡上家黃嘉界陳美文蔡元泰何澐

7 7 陳柏憲 (組長) 鄧緯 (副組長) 陳美文蔡元泰簡上家黃嘉界
何澐體態識別資料萃取動作偵測推薦系統環境架設資料串流 L i n e b o t + I o T 雲端架構報告人：蔡元泰

8 8 前端互動資料萃取體態識別推薦系統動作偵測資料串流雲端架構

9 9 前端互動以Line bot做為互動介面報告人：蔡元泰

10 10 報告人：蔡元泰錯誤回報嘴饞紀錄紀錄回顧飲食
推薦運動推薦基本資料

11 11 錯誤回報嘴饞紀錄紀錄回顧基本資料
飲食推薦運動推薦報告人：蔡元泰

12 12 ❖ 鎖定未建置資料之使用者 ❖ 示範資料 ❖ 男性 ❖ 30歲
❖ 175公分 ❖ 75公斤 ❖ 體脂率20% ❖ 久坐族_無運動習慣者 ❖ 體態中等 ❖ 優質男子報告人：蔡元泰

13 13 ❖ 建置、更新 LIFF 身高體重體脂性別年齡
平日活動程度報告人：蔡元泰

14 14 ❖ 建置、更新 LIFF 體態分類身高體重體脂性別
年齡平日活動程度報告人：蔡元泰

16 16 ❖ 定時 ❖ 指定時段推播飲食選單 ❖ 分眾訊息推播 ❖ 依據不同「標籤」推播個人化飲食選單
❖ 限制條件 ❖ 僅供付費用戶使用 ❖ 嘗試解決 ❖ 利用Shell本機設定推播： ❖ 必須透過Line的API 報告人：蔡元泰

17 17 ❖依據時段給予個人化飲食選單營養成分食用量一份每份熱量大卡蛋白質
公克脂肪公克碳水化合物公克不滿意報告人：蔡元泰

19 19 ❖ 檢索食品營養成分 ❖ 關鍵字食品名提供候選名單報告人：蔡元泰營養成分
食用量一份每份熱量大卡蛋白質公克脂肪公克碳水化合物公克

21 21 ❖ 給予個人化運動選單錄製影片分析運動姿勢 LIFF 報告人：蔡元泰

23 23 ❖ 呈現使用者過往紀錄 ❖ 身體素質及運動正確率變化 ❖ 前次經校正的運動影片身體素質運動正確率
前次運動影片 LIFF 報告人：蔡元泰

25 25 ❖ 分享使用心得 ❖ 修正錯誤 ❖ 增進使用者體驗使用心得報告人：蔡元泰

26 26 報告人：蔡元泰 ❖ 使用Liff 突破Line bot框架 ❖減少使用者錯誤輸入 ❖自由編寫各種功能

27 27 報告人：蔡元泰 ❖ 使用Liff 突破Line bot框架 ❖減少使用者錯誤輸入 ❖自由編寫各種功能 ❖模擬真實對話
❖對話框前後關聯性 ❖ 10分鐘未回話則重置對話

28 28 ❖ 使用Liff 突破Line bot框架 ❖減少使用者錯誤輸入 ❖自由編寫各種功能 ❖模擬真實對話 ❖對話框前後關聯性
❖ 10分鐘未回話則重置對話 ❖ 串流各項服務，達到各司其職 ❖ 資料庫、訊息串流中介、遠端運算報告人：蔡元泰

29 29 報告人：蔡元泰錯誤回報嘴饞紀錄紀錄回顧基本
資料飲食推薦運動推薦

飲食推薦運動推薦 ? 報告人：蔡元泰

32 32 資料萃取(ETL) 蒐集專案所需要的資料來源並進行清洗萃取報告人：陳美文

33 33 ❖ 食品營養成分飲食推薦 ❖ 健身討論文章訓練菜單推薦 ❖ 各式各樣的人物照片
❖ 正面、全身體態辨識報告人：陳美文

34 34 其他連鎖店共12家食材成分資料庫各大連鎖店官網 ❖ 總共約8萬筆資料報告人：陳美文

35 35 ❖ 頁面食材成分連結單一食材之其他食用量連結食材品牌與成分報告人：陳美文 ❖
點選其他食用量

36 36 關鍵字搜尋食材成分連結存檔其他食用量連結存檔成分存檔爬蟲完成原連結
品牌及成分存檔爬蟲完成結束結束搜尋結果為空連結失效存在其他食用量爬蟲完成報告人：陳美文 ❖ 風險規避：避免爬蟲無預警中斷 ❖辦法：分段式儲存連結

37 37 ❖ 問題：欄位不固定 ❖ 觀察：營養成分每個食品資訊量不同存在其他食用量 ❖
解決辦法：撰寫判別式，並保存連結 ❖ 解決辦法：建立字典若出現新成分，則新增Key 報告人：陳美文

38 38 刪除重複值統一名稱 •以英文命名並加上單位統一單位 •改為g / mg 統一食物名格式
•品牌名及食物名分開刪除重複值報告人：陳美文

39 39 ❖ 遺漏值顯示無遺漏值事實上有遺漏值 ❖ 觀察遺漏值格式並替代報告人：陳美文

40 40 ❖ 遺漏值填補保留data 尋找同品名或類似品名食物比照同類碳:脂:蛋比例
填入適當值空值數量為1 無類似食品有類似食品其一為空值食品名食用量熱量欄位刪除data 碳水化合物脂肪蛋白質欄位無空值空值數量>1 空值數量為0 報告人：陳美文

41 41 ❖ 錯誤值→資料刪除熱量明顯太高總食用量只有300g，但是各營養總和超過根據常理判別熱量不合理報告人：陳美文

42 42 原始檔案刪除重複值遺漏值篩選錯誤值刪除 ❖ 經過上述清洗流程之後，剩餘資料比數如下： 80,000多筆 65,000多筆
26,000筆 24,319筆報告人：陳美文

43 43 報告人：陳美文

45 45 ❖ 爬取各大健身討論網站，約8萬筆 ❖ 篩選2018-2019年文章，約2萬筆報告人：陳美文

46 46 … 只抓取標題及文章內容報告人：陳美文許多文字及符號不需要

47 47 ❖ 不必要的內容以空白取代 ❖ 去除非文字符號，並只留下中文內容報告人：陳美文只剩中文

48 48 ❖ 各文章所包含的內容長度不一 ❖ 使用MongoDB儲存報告人：陳美文

50 50 報告人：陳美文 ❖ 開源圖片集及圖片網： ❖ 各大圖片網及資料集 ❖ 總共約6,000,000張圖片 ❖
爬蟲： ❖ 關鍵字：正面、全身、男、女… ❖ 總共約2,000張圖片

51 51 ❖ 問題：動態網頁無法完整爬完資料 ❖ 解決辦法： ❖ 使用selenium並導入js函數讓網頁捲到最底層再讓網頁滑到最頂層
開始爬蟲報告人：陳美文

52 52 報告人：陳美文 ❖ 使用OpenPose進行初步過濾

53 53 ❖ 圖片過濾： ❖ 運用OpenPose的技術捕捉節點(得到json檔) ❖ 依照json檔資料區分是否照片有人以及是否為單人 ❖ 確認是否捕捉到25個節點並設定肩膀節點條件，初步判斷為正面照
報告人：陳美文

54 54 ❖ 檔案龐大 ❖ 不需要即時讀取及存取報告人：陳美文 4,825 張圖片

56 56 體態識別運用深度學習與機器學習技術讓電腦學習分辨人的體型報告人：鄧緯

57 57 深度學習模仿大腦訊息傳遞的類神經系統，建構出多層的網路架構，人要給電腦規則跟大量的學習樣本，告訴機器什麼答案是對的，讓電腦自己用大量的運算資源去學習。機器學習透過從過往的資料和經驗中學習並找到其
運行規則，用統計或數學的算法建立出歸納預測變數的回歸模型。報告人：鄧緯

58 58 隱性肥胖高脂肪肥胖精瘦標準身材超重消瘦
精實運動員Ｙ軸（基本資料）瘦長中等寬胖體脂率 X軸(身材) 將照片人像作為深度學習判別體態依據報告人：鄧緯

59 59 人工標註體態 ❖Python3 ❖OpenCV 報告人：鄧緯

60 60 第一步：將照片讀取並轉灰階第二步：用高斯平滑處理以降低背景雜訊再用Canny 將輪廓框取出來第三步：透過Numpy
矩陣計算將圖片邊緣切至人物外緣第四步：依照身高與寬度的比例填補兩側讓照片長寬等長第五步：最後去除內部的線條只保留最外層的輪廓以利深度學習抓取體態特徵報告人：鄧緯

61 61 ❖ Keras uses the TensorFlow backend ❖ Google
Colab with GPU support ❖ Transfer Learning (VGG-16) ❖ 保留模型前面預先訓練好卷積層與池化層的參數 ❖ 調整後方的隱藏層與輸出層的結構模型架構報告人：鄧緯

62 62 損失函數訓練與測試精確度報告人：鄧緯趨勢向上訓練過程紀錄

63 63 驗證精確度約0.9 混淆矩陣報告人：鄧緯隨機從驗證資料集抽一張查看各分類機率

64 64 繪製輪廓圖 OpenPose 結合但姿勢或衣物造成數據異常… 報告人：鄧緯 ❖ OpenPose
25個點位與人體邊緣算出人體數據

65 65 ❖ 基於Mask-RCNN設計 ❖ COCO資料集標註5萬張照片訓練 ❖ 身體部分語意切割報告人：鄧
緯 Facebook 開源

66 66 DensePose成功區分出人體部位用25個點位+軀幹圖算出身體數值 (腰寬、胸寬、臀寬、身長….等) 每個區塊用不同編號表示報告人：鄧緯

67 67 選擇用隨機森林建模 ❖ 結合多種學習器 ❖ 降低偏差或過擬合的情形 ❖ 決策樹可看出分類依據報告人：鄧
緯

68 68 Train TEST 混淆矩陣用TRAIN資料跑30次發現準確率在0.9~0.95浮動報告人：鄧緯

69 69 深度學習機器學習分析比較 ❖ 照片處理易受光線、背景等影響，故限制高 ❖ 若要排除限制條件需有龐大的人類身材樣本 ❖
訓練模型時間長，需要GPU輔助運算 ❖ DensePose技術能直接抓取人體數值 ❖ 計算資源需求低，訓練時間較短可解釋性類神經網路結構複雜，有時候結果是反直覺決策樹模型能看出決策依據，可解釋性高精確度精確度約為0.9 精確度約為0.93 評估深度學習受限的條件較多，樣本數有限的情況下容易造成模型不穩定在DensePose技術的輔助下，能較為精確地抓出數值以數字呈現，進行數據分析經過上述考量，在專題目標與條件下選擇使用機器學習報告人：鄧緯

71 71 推薦系統個人化飲食推薦與健身推薦報告人：黃嘉界

72 72 報告人：黃嘉界健身推薦系統 ❖ 建立適合的訓練菜單飲食推薦系統 ❖ 推薦適合的三餐

73 73 LSM降維 LDA分群 K-means 分群 Word2Vec & fastText 詞向量訓練
斷詞 ❖文章分群 TF-IDF取出特徵值斷詞 ❖ 關聯分析報告人：黃嘉界

74 74 報告人：黃嘉界 Jie ba 勝 Jieba 中研院 ❖ Jieba
VS 中研院 ❖中研院準確度高 ❖中研院斷詞針對術語以及日常用語斷的佳斷詞佳勝中研院 (基礎版) 中研院 (增強版)

75 75 利用TF-IDF提出特徵向量，形成各文章的特徵。報告人：黃嘉界去除TF-IDF大於80%和小於20文章數延伸句子的機率高斯分布單詞頻率
逆文檔頻率 ❖使用TF-IDF向量化

76 76 ❖LSA降維 ❖ LSA是基於奇異值分解(Singular Value Decomposition, SVD)為基礎 ❖ 計算文件之間的語意關連度並降低樣本空間之維度
❖ 解決同義詞的影響，提高準確度報告人：黃嘉界降低至100維度 (LSA推薦維度)

77 77 10群每一群相似度高 100維度 10群 K-means分群效果不佳問題: ❖
維度災難 ❖ 人無法輕易解釋嘗試: ❖ LDA分群報告人：黃嘉界 ❖ K-means

78 78 文章1 - - - - - - -
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 文章2 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 文章3 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 文章4 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 訓練主題 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 購物主題 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 健身房主題 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 報告人：黃嘉界 ❖ LDA分群

79 79 文章1 - - - - - - -
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 訓練主題 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 購物主題 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 健身房主題 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 30% 30% 40% 文章2 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 健身房主題 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 訓練主題 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 55% 45% 健身房主題 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 健工 40% 教練 25% 會費 15% 課程 20% 報告人：黃嘉界 ❖ LDA分群

80 80 ❖ LDA分群優點： ❖ 快速，直觀且容易理解 ❖ 非監督機器學習 ❖ 本質是一種降維
❖ 運行效率佳 (SVD計算耗時) ❖ 更能解決多義詞報告人：黃嘉界與購買有關與訓練有關與乳清有關 7個主題

81 81 7 肌肉部位 6 訓練動作 5 健身房
4 身材體態 3 訓練搭配菜單 1 健身商品 2 乳清蛋白口味肩膀膝蓋核心深蹲硬舉臥推教練課程器材價格面交蝦皮巧克力奶茶牛奶飲食體重豆漿減脂熱量蛋白質報告人：黃嘉界

82 82 ❖ fastText VS Word2Vec ❖ 具有n-gram在語法上表現更好 ❖ 引入subword來處理未登錄詞問題
報告人：黃嘉界勝 fastText Word2Vec

83 83 肌肉部位文章肌肉部位文章訓練動作文章報告人：黃嘉界 ❖ fastText

84 84 高大低體脂率身型小
報告人：黃嘉界

85 85 體型運動員型運動一深蹲10下運動二伏地挺身5 下運動三
仰臥起坐 10下運動四棒式15秒報告人：黃嘉界體型超重型運動一深蹲10下運動二伏地挺身5 下運動三仰臥起坐 10下運動四棒式15秒體型精瘦型運動一深蹲10下運動二伏地挺身5 下運動三仰臥起坐 10下運動四棒式15秒體型高脂肪型運動一深蹲10下運動二伏地挺身5 下運動三仰臥起坐 10下運動四棒式15秒體型消瘦型運動一深蹲10下運動二伏地挺身5 下運動三仰臥起坐 10下運動四棒式15秒體型隱性肥胖型運動一深蹲10下運動二伏地挺身5 下運動三仰臥起坐 10下運動四棒式15秒體型標準型運動一深蹲10下運動二伏地挺身5 下運動三仰臥起坐 10下運動四棒式15秒體型精實型運動一深蹲25下運動二伏地挺身 50下運動三仰臥起坐 50下運動四棒式1分半體型肥胖型運動一深蹲10下運動二伏地挺身 5下運動三仰臥起坐 10下運動四棒式15秒

86 86 報告人：黃嘉界健身推薦系統 ❖ 建立適合的訓練菜單飲食推薦系統 ❖ 推薦適合的三餐

87 87 相對比例化： ◼ 各參數/參數總和分群刪除： • 離群值 •
錯誤值各網站皆有標註之營養成分： ◼ 蛋白質、脂肪、碳水化合物報告人：黃嘉界 ❖ K-means ❖ DBSCAN

88 88 報告人：黃嘉界 ❖ K-means

89 89 難以分辨報告人：黃嘉界 ❖ K-means

90 90 大部分都集中在一群分群效果不佳問題: • 每一群太緊密 •
過度集中 • 結果不是想要的解決: • 人工貼標報告人：黃嘉界 ❖ DBSCAN

91 91 ❖ 食用品項 ❖ 關鍵字貼標 1. 主餐 2. 湯
3. 附餐 4. 點心 5. 水果 6. 生品 7. 調味料 8. 其他 9. 飲品 ❖ 精選推薦 ❖ 推薦在地化 1. 早餐 2. 午餐 3. 晚餐報告人：黃嘉界

92 92 BMR 算法：男：基礎代謝率＝ 10 x 【體重公斤】 +
6.25 x 【身高公分】 – 5 x 【年齡】 + 5 女：基礎代謝率＝ 10 x 【體重公斤】 + 6.25 x 【身高公分】 – 5 x 【年齡】 -161 活動程度(加成比例) 1.2 久坐族_無運動習慣者 1.375 輕度運動者_一周一至三天運動 1.55 中度運動者_一周三至五天運動 1.725 激烈運動者_一周六至七天運動 1.9 超激烈運動者_體力活的工作_一天訓練兩次減脂：減少10 % 増肌：增加 7% 條件設定: 1. 基礎代謝率BMR 2. 活動程度 3. 體態狀況 (增肌/維持/減脂) 4. 營養成分比例 4. 早午晚餐比例 (1 : 2 : 2) 每日總消耗熱量TDEE公式為：BMR * 活動程度 * 增肌/減脂報告人：黃嘉界

93 93 舉例：使用者資料為：男/ 25歲/ 185cm/ 81kg/ 中度運動者_一周三至五天運動經過體態辨識得知結果為需”增肌
” 由公式得知 TDEE = 3,062大卡轉換成營養成分重量：碳水化合物: 蛋白質: 脂肪 = 383g: 230g: 68g 報告人：黃嘉界推薦給使用者的早餐品項

94 94 ❖限制 1. 飲食方面： ❖ 大部分都是針對餐廳評分 ❖ 地區有別 2.
健身方面： ❖ 很少針對居家健身做詳細的訓練項目 ❖ 無訓練項目的評分 ❖替代方案 ❖ 改為建議方案報告人：黃嘉界

96 96 動作偵測透過影像分析校正運動姿勢報告人：何澐

97 97 錄影辨識判讀呈現報告人：何澐

98 98 ❖輸出 ❖視角 ❖動作 ❖效能 ❖參數 ❖其他報告人：何澐

99 99 ❖ 關節編號 ❖ [x座標, y座標, 準確率] 報告人：何澐

100 100 報告人：何澐 ❖ 1秒生成約10個檔案

101 101 ❖ 拍攝視角問題單鏡頭無z軸 ❖側視角 ❖角度明確 ❖傾斜視角 ❖掌握全身 ❖
採用側視角報告人：何澐

102 102 ❖ 深蹲 ❖ 棒式 ❖ 仰臥起坐報告人：何澐
❖ 伏地挺身

103 103 ❖ 根據測試結果調整如下： ❖ 精簡數值 ❖ 轉存數據 ❖
優化效能 ❖ 定時輔助報告人：何澐

104 104 ❖ 兩種方法 1. 整理座標變化 ❖ 挑出正確、錯誤樣本 ❖ 建立模型
2. 設置檢查點 ❖ 讀取整組座標 ❖ 制定正確範圍 ❖ 到位後提示報告人：何澐

105 105 ❖ 彙整座標 ❖ 獨立選取關節 ❖ 嘗試建立模型報告人：何澐

106 106 ❖ 樣本問題 ❖ 須進一步定義特徵 ❖ 對照組樣本不足 ❖ 結論
❖ 嘗試方法二報告人：何澐

107 107 ❖ 設置檢查點 ❖檢查點 1 ❖迴圈讀取進入範圍 ❖滿足條件計一次 ❖檢查點 2
❖計算腿彎曲角度 ❖滿足條件算正確 ❖ 結算次數報告人：何澐

108 108 ❖ 影片呈現 ❖ 輸出序列圖檔供影像作業 ❖ 加工報告人：何
澐

109 109 ❖ 標記『正確』或『錯誤』 ❖ 供使用者回顧報告人：何澐

111 111 資料串流環境部署與運行專案服務報告人：陳柏憲

112 112 報告人：陳柏憲

113 113 報告人：陳柏憲 kafka, hadoop, Spark ❖ 後端叢集架構建置 Spark Steaming
❖ 體態分析部署 ❖ 動作分析部署

114 114 ❖After: ❖之前連接的複雜度是O(N^2) 現在降低到O(N) 擴展起來方便多了！報告人：陳柏憲 ❖Before: ❖資料庫像義大利麵一樣錯綜複雜

115 115 ❖ 專題建立在Hadoop 生態架構上 ❖ 藉由分散儲存的優勢來解決大量數據儲存與數據丟失的風險報告人：陳柏憲
能用UI介面觀察到 HDFS儲存的情形資料匯入正常!

116 116 ❖ 用Spark服務運行於hadoop上報告人：陳柏憲

117 117 報告人：陳柏憲 kafka, hadoop, Spark ❖ 後端叢集架構建置 Spark Steaming
❖ 體態分析部署 ❖ 動作分析部署

120 120 ❖ 方便kafka傳輸 ❖ 加快即時分析速度報告人：陳柏憲

122 122 ❖ kafka + Spark ❖ 1個人 8s 報告人：陳柏憲
❖ 如果100個…800s ❖ 問題： ❖ 但…如果只是kafka + Spark 就達成即時運算，那為什麼還有Spark Streaming服務呢?

123 123 原因 : ❖ kafka持續監聽只是用單一節點的Driver端在接收資源，並不是叢集式 ❖ Spark Streaming在接收資訊後，如果發生錯誤有相對應的API可以處理，但如果kafka
+ Spark出現錯誤會造成機台直接死掉 0 1 2 3 0 1 2 3 效能 0 1 1 1 0 1 2 3 效能報告人：陳柏憲 ❖ kafka + Spark ❖ 真正叢集式

125 125 報告人：陳柏憲 ❖ 高吞吐量 ❖ 持續監聽

126 126 報告人：陳柏憲 ❖ ssc生成Dstream ❖ 具備讀取kafka API (分Receiver及Direct) ❖
產生連續RDD ❖ Spark job作動

127 127 報告人：陳柏憲 ❖ 效能展現每次運作時
間約為 2 秒

128 128 報告人：陳柏憲 ❖ 記憶體緩存，快速回應 ❖ 資料持久化，持續更新 ❖ 設定Key存活/過期時間

130 130 雲端架構服務與管理雲端化報告人：簡上家

131 131 Google Cloud Platform Amazon Web Services 上手難度較低
中等技術文件中等較多台灣據點有無同規格費用較低較高試用額度 300美元部分方案才有試用額度綜合考量勝勝勝勝勝報告人：簡上家

132 132 ❖ 快速建立叢集與自動化管理報告人：簡上家

133 133 ❖ 本專案叢集建立了： ❖ 1個主要節點(master) ❖ 2個工作節點(worker) 報告人：簡上家 Master
worker 0 worker 1

134 134 報告人：簡上家 ❖ 透過端口查看Datanode狀態 ❖ YARN: 8088 ❖ HDFS:
9870 (Dataproc預設) YARN介面 HDFS介面

135 135 報告人：簡上家 ❖ 無法從worker傳送檔案到master的HDFS ❖ 透過技術文件與不斷的嘗試，最後成功試出了方法 ❖ 解決方法：不需輸入port

136 136 ❖ 預先寫好： ❖ Docker-compose ❖ Shell Script 步驟一：
上傳到Github 步驟二：在雲端下載後執行指令結果：一鍵啟動報告人：簡上家

137 137 報告人：簡上家 ❖ 可依據以下選擇項目自動擴充機台： ❖ CPU使用率 ❖ HTTP負載平衡使用率 ❖
Stackdriver Monitoring指標

138 138 Docker Swarm Kubernetes 安裝難度較低時間較長技術文件較多
中等相容性中等較高容錯率中等較高大叢集表現快速良好，但速度稍降綜合考量勝勝勝勝勝報告人：簡上家

139 139 ❖ 透過端口查看容器分配情形 ❖ 自動化管理叢集與分配容器報告人：簡上家

140 140 未來展望明天就是今天的未來報告人：簡上家

141 141 報告人：簡上家 ❖ 自動化更新資料庫 ❖ 蒐集使用者運動狀況 ❖ 建立回饋機制 ❖
增加地區推薦系統 ❖ 姿勢辨識2D座標轉3D ❖ 強化IoT功能以輔助健身教練吉祥物：十里坡健神要乖乖健身喔！

142 142

一健啟動專題

一健啟動專題

Other Decks in Programming

Featured

Transcript