Demi 的blog

shader程序员需要注意的优化Tips

在写shader的时候,其实一些写法对于其执行影响非常大,而且由于gpu和cpu在架构上的不同,代码的优化思想也不一样...

首先要树立几个思想:

1.gpu是SIMD的架构,即单指令多数据流架构,即在gpu上同时执行n个数据和执行1个数据的效率是一样的,我们要

尽量的把并行的计算搬到gpu上

2.gpu是以向量计算为基础设计的,也就是说在gpu上执行一个向量乘法和执行一个float的乘法的效率是一样的,

并不向cpu那样要多执行几次

3、通常,需要渲染的像素比顶点数多,而顶点数又比物体数多很多。所以如果可以,尽量将运算从PS移到VS,或直接通过script来设置某些固定值;

所以

1.尽量把一些计算合并成向量计算,记住一个向量计算和一个float计算那样快!
比如
float x,y;
x = x * a;
y = y * b;
不如写成 float2 v = float2(x,y);
v = v*float2(a,b);

因为前一种写法是两次乘法计算,而后一种只要1次

2.不要在gpu里面用分支或者条件判断这种语句,尽管大多数gpu 的shader支持这种语法,但是多数gpu里面的

机器学习算法在自动驾驶领域的应用大盘点

将汽车内外传感器的数据进行融合,借此评估驾驶员情况、进行驾驶场景分类,都要用到机器学习。本文中,我们讲解了不同的自动驾驶算法。

自动驾驶汽车的设计制造面临着诸多挑战,如今,各大公司已经广泛采用机器学习寻找相应的解决方案。汽车中的ECU(电子控制单元)已经整合了传感器数据处理,如何充分利用机器学习完成新的任务,变得至关重要。潜在的应用包括将汽车内外传感器的数据进行融合,借此评估驾驶员情况、进行驾驶场景分类。这些传感器包括像激光雷达,雷达,摄像头或者是物联网。

车载信息娱乐系统所运行的应用,能从传感器数据融合系统中获取数据。举个例子,如果系统察觉驾驶员发生状况,有能力把车开到医院。基于机器学习的应用,还包括对驾驶员的语言和手势识别以及语言翻译。相关的算法被分类为非监督和监督算法。它们两者的区别在于学习的方式。

• 监督学习算法使用训练数据集学习,并且能够持续学习直到达到设定的置信水平(最小化出错概率)。监督学习算法分为回归、分类和异常检测以及数据降维。

[机器学习算法]——神经网络基础

目前,深度学习(Deep Learning,简称DL)在算法领域可谓是大红大紫,现在不只是互联网、人工智能,生活中的各大领域都能反映出深度学习引领的巨大变革。要学习深度学习,那么首先要熟悉神经网络(Neural Networks,简称NN)的一些基本概念。当然,这里所说的神经网络不是生物学的神经网络,我们将其称之为人工神经网络(Artificial Neural Networks,简称ANN)貌似更为合理。神经网络最早是人工智能领域的一种算法或者说是模型,目前神经网络已经发展成为一类多学科交叉的学科领域,它也随着深度学习取得的进展重新受到重视和推崇。

为什么说是“重新”呢?其实,神经网络最为一种算法模型很早就已经开始研究了,但是在取得一些进展后,神经网络的研究陷入了一段很长时间的低潮期,后来随着Hinton在深度学习上取得的进展,神经网络又再次受到人们的重视。本文就以神经网络为主,着重总结一些相关的基础知识,然后在此基础上引出深度学习的概念,如有书写不当的地方,还请大家评批指正。

1. 神经元模型

这张物联网技术全矩阵图你看懂了吗?

参照物联网技术的自然组成结构,以及信息产业格局和物联网商业视角的分层架构,物联网的技术矩阵可分成六个层次。从下至上为:元素层、器件层、终端和节点层、(信息)资源汇聚层、平台服务层、应用层。技术矩阵分成两个“域”:“边缘域”、“云端域”,两“域”的边界主要体现在终端和节点层、资源汇聚层、应用层。

这张物联网技术全矩阵图你看懂了吗?

物联网的六层技术

1、元素层

信息科学中的自然现象和效应,是各种基础信息科学的集合,是构建器件层的基础(物联网最基本的技术元素)。包括电学、电磁感应、微波原理、电路理论等等。

2、器件层

人工智能也有负能量,我们得提前做好准备

最近几天,各种对2018年的科技预测层出不穷,其中对AI的畅想占了大头,内容差不多是一片喜庆祥和。

但事有两来,当我们开始从AI中收获价值的时候,技术升级后带来的潜在风险也在升温。这就像汽车当然好过牛车,但汽车也会带来各种各样的交通事故。我们当然不能因此禁止汽车上路,但是也不能对交通问题视而不见。

今天我们来预测几个,很可能在2018年进入我们眼帘的“人工智能负能量”。

毕竟做好准备,是解决问题的前提条件。

一、人工智能伦理问题开始出现个案

2017年1月,在加利福尼亚州阿西洛马举行的Beneficial Al会议上,近千名人工智能相关领域的专家,联合签署了著名的《阿西洛马人工智能23条原则》。

随后,各种关于人工智能伦理道德的讨论、会议,以及相关协会和科技组织开始出现在公众视野里。

《23条原则》的主要内容,就是呼吁人工智能不能损害人类的利益和安全,同时人工智能必须可以被人类控制,同时人类要尽量尊重人工智能和机器人的安全。

听起来颇有点科幻的味道,但是在各行各业开始部署AI,尤其开始利用AI进行自动化决策的时候,人工智能的伦理与道德问题或许真的会浮出水面。

2018年安全从业者需要掌握的8种技能

随着CIO等职位招聘需求逐渐增多,明年需要的关键IT安全技能包括云安全架构技能、客户服务技能。

安全分析与调查

Korn Ferry负责信息技术和网络安全的北美业务领导者Gus DeCamaro表示,IT人员应该意识到,网络安全行业正经历着从聚焦外围到探测和响应的转变过程。

因此,行业专家表示,具有天生好奇心和喜欢解开谜团的IT专业人士,可能更加适合2018年的转变,这种转变需要威胁追踪和应急响应的能力。

在ESG/ISSA报告中,通过网络安全专家的观察,在371名受访者中,有33%的人表示,他们的团队在安全分析和调查能力方面存在严重不足。

贝斯特曼说:“在今年后半部分的时间里,我们已经看到对这方面的需求,并且还将延续到2018年”。他补充说,网络安全专业人士应该深入研究数字取证技巧来识别和隔离勒索软件,例如还有政府支持的攻击。

云安全

Bestman称,尽管公司对于具备云安全架构能力的人才需求早就不新鲜,但明年这种趋势还将继续提升。云安全架构工程师是最受欢迎的,特别是如果公司依靠某个云平台工作,例如微软的Azure和亚马逊的AWS云平台。

在ESG/ISSA报告中,22%的受访者将云安全技能列为供不应求。

什么是人脸识别,主要的应用于哪些场景?

如今,在人与人相连的时代,围绕人提供的服务首先要解决的是辨识人的身份,为此人们发明了很多卡、证作为识别人身份的依据,这种身份识别本质上是“见物如见人,认物不认人”,它忽视了人们最本质的需要,解决老问题的同时,也带来一些新的问题。顺应时代的潮流,充分利用人脸识别技术,强调人脸大数据共享和开放,建设人像库、人脸卡口系统。人脸识别技术可广泛应用于智慧警务和智慧城市建设,为全社会提供智慧人脸服务。

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。针对输入的人脸图像或者视频流,首先判断其是否存在人脸,如果存在人脸,则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。然后依据这些信息,进一步提取每个人脸中所蕴涵的身份特征数据,并将其与已知的人脸进行对比,从而识别每个人脸的身份。人脸识别主要用于身份识别。由于视频监控正在快速普及,众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术,以求远距离快速确认人员身份,实现智能预警,而人脸识别技术无疑是最佳的选择。

人脸识别系统,可以广泛应用于公安、金融、机场、地铁、边防口岸等多个对人员身份进行自然比对识别的重要领域。

应用场景:身份证查验,确保真实证件

统计模式识别的原理与方法

1 统计模式识别的原理与方法简介

1.1 模式识别

什么是模式和模式识别?

广义地说,存在于时间和空间中可观察的事物,如果可以区别它们是否相同或相似,都可以称之为模式;狭义地说,模式是通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息;把模式所属的类别或同一类中模式的总体称为模式类(或简称为类)。而“模式识别”则是在某些一定量度或观测基础上把待识模式划分到各自的模式类中去。

模式识别的研究主要集中在两方面,即研究生物体(包括人)是如何感知对象的,以及在给定的任务下,如何用计算机实现模式识别的理论和方法。前者是生理学家、心理学家、生物学家、神经生理学家的研究内容,属于认知科学的范畴;后者通过数学家、信息学专家和计算机科学工作者近几十年来的努力,已经取得了系统的研究成果。

一个计算机模式识别系统基本上是由三个相互关联而又有明显区别的过程组成的,即数据生成、模式分析和模式分类。数据生成是将输入模式的原始信息转换为向量,成为计算机易于处理的形式。模式分析是对数据进行加工,包括特征选择、特征提取、数据维数压缩和决定可能存在的类别等。模式分类则是利用模式分析所获得的信息,对计算机进行训练,从而制定判别标准,以期对待识模式进行分类。

如何让机器能观察环境?模式识别综述

一、引言

模式识别是研究如何让机器能观察环境,并从环境背景中将感兴趣的目标提取分离、分类的过程;给定一个模式,它的识别、分类包含以下两方面的任务:指导性分类及非指导性分类。所以识别问题基本等价于分类、分组的问题,类(组)的概念是有设计者指定的或有算法依据数据在一定的相似性准则下建立的。

模式识别应用的领域越来越广,从生物学、数据挖掘、文档分类、文档图像分析、工业自动化、多媒体数据库检索、语音识别到远程遥感等方面。而且不同的场景应用的方法还有差别,这主要由数据的类型(空间维数)、类别信息等决定;对于一个模式识别系统,其速度、准确性及花费仍然是考虑的方面。

模式识别系统一般包含以下三个处理步骤:数据的采集、特性及决策;而问题域就决定了传感器、预处理技术、特性建立机制及决策模型等方面的技术。对于一个定义很好的、模式紧凑的识别问题(如小类内偏差,大类间偏差),这种情况用一个简单的决策模型就会得到较好的结果。已知的模式识别方法可分为四个大的方面:模板匹配、统计模式识别、语法及结构匹配和神经网络,下面先对这四个方面进行简单的阐述。

1、模板匹配

机器学习目前是 IT 领域最热门的话题之一,这是因为它在看似无限的应用场景中都能发挥自身的作用。从检测欺诈网站到自动驾驶汽车,再到识别你的“金牌会员”身份以进行价格预测等等。

但这个如此有吸引力的领域未来将如何发展?会走向何处?下一个最好的东西又将是什么?未来十年我们将处于什么样的位置?无论下一个巨大的改变是否会给我们所有人带来惊喜,本文将对机器学习将发挥作用的领域和用例做出五个预测。

1. 量子计算(Quantum Computing)

机器学习任务涉及到诸如在高维空间中对大量向量进行处理和分类的问题。我们目前用来解决这些问题的经典算法都需要耗费相当的时间。而量子计算机在处理巨大张量积(tensor product)空间中的高维向量时,可能会处理得更好。无论是有监督还是无监督的量子机器学习算法发展,都能比经典算法更快速地以指数方式增加向量数和维数,这将使得机器学习算法运行速度的大幅增加。

相关开源项目推荐:

同步内容
--电子创新网--
粤ICP备12070055号