博客

计算机视觉（Computer vision）是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成更适合人眼观察或进行仪器检测的图像。

深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。

本文探讨了在5G领域使用机器学习的一些实例，为基于机器学习在5G 领域的高级应用和分析方法指出了潜在的可能方向。随着5G应用对网络性能的要求日益增加，更加强大和优化的网络将会为大幅度提高网络性能，随之而来也为用户带来更好的体验。

神经网络的发展史可以分为三个阶段，第一个阶段是Frank Rosenblatt提出的感知机模型，感知机模型的逻辑简单有效，但不能处理异或等非线性问题。第二个阶段是Rumelhart等提出的反向传播算法，该算法使用梯度更新权值，使多层神经网络的训练成为可能。第三个阶段得益于计算机硬件的发展和大数据时代的到来，促进了深度神经网络的发展。

这篇文章主要面向的是非专业的读者，简单直白地介绍了机器学习的概念、内涵、以及机器学习的相关问题。对于专业人士而言也可以依据这篇文章对机器学习的概念做更深入的理解，看看如何向身边朋友们解释你所从事的工作。

最近关于自动驾驶的发展消息让人兴奋，有许多相关测试证明了其安全性和可靠性。据Counterpoint Research预测，随着技术和监管问题的解决，2030年销售的新车中约有15％将实现完全自主驾驶（4至5级）。为了实现自动驾驶的愿景，OEM、供应商以及初创企业正在使用最尖端的技术来解决算力、软件开发、算法设计中的问题。但又因为监管和法律的问题，可能会成为自动驾驶实现的最大阻碍。

如今，即便是结构非常复杂的神经网络，只要使用Keras，TensorFlow，MxNet或PyTorch等先进的专业库和框架，仅需几行代码就能轻松实现。而且，你不需要担心权重矩阵的参数大小，也不需要刻意记住要用到的激活函数公式，这可以极大的避免我们走弯路并大大简化了建立神经网络的工作。然而，我们还是需要对神经网络内部有足够的了解，这对诸如网络结构选择、超参数调整或优化等任务会有很大帮助。... 阅读详情