一般而言，深度卷积网络是一层又一层的。层的本质是特征图, 存贮输入数据或其中间表示值。一组卷积核则是联系前后两层的网络参数表达体, 训练的目标就是每个卷积核的权重参数组。
算法中的learning rate a（学习率）、iterations(梯度下降法循环的数量)、L（隐藏层数目）、n（隐藏层单元数目）、choice of activation function（激活函数的选择）都需要你来设置，这些数字实际上控制了最后的参数W和b的值，所以它们被称作超参数。
全连接神经网络，需要的参数过多，例如1000*1000的图像，则输入层有10^6个节点，若隐藏层也有10^6个节点，则输入层到隐藏层的参数有10^12个。CNN用局部感知和权值共享大大减少了参数，同时还具备其它优点。它们与自然图像自身具有的特性：特征的局部性与重复性完美贴合。
在前不久的一场媒体采访中，接替李力游博士于2018年12月出任首席执行官一职的Ron Black博士携数位高管分享了Imagination在做什么、将做什么，以及对于一些产业与科技热点的看法。他指出，Imagination始终对于创新充满热情，而中国已经诞生了众多世界领先的创新者。
自动驾驶可减少塞车状况、提高行车效率，以及增进乘客、驾驶、行人的安全性，促进城市发展。2018年，2级(L2)自动驾驶于市场占据主导地位；预测在2021年，4级(L4)自动驾驶将开始进入市场；2030年，5级(L5)自动驾驶的市场将兴起。
近年来，人工智能技术发展取得了极大的进步，在一些领域甚至超越了人类自身的认知能力。人工智能也从一个纯粹的技术领域一跃成为社会各界共同关注的话题。各国纷纷出台人工智能战略，加强顶层设计，人工智能由此成为国际竞争的新焦点。
机器学习中参数更新的方法有三种：① Batch Gradient Descent，批梯度下降；② Stochastic Gradient Descent，随机梯度下降；③ Mini-batch Gradient Decent，小批梯度下降。
CNNs是第一个真正成功训练多层网络结构的学习算法。它利用空间关系减少需要学习的参数数目以提高一般前向BP算法的训练性能。CNNs作为一个深度学习架构提出是为了最小化数据的预处理要求。在CNN中，图像的一小部分（局部感受区域）作为层级结构的最低层的输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获得观测数据的最显著的特征。
Gartner报告联网的设备在2019年已经超过142亿，预计2021年将达到250亿，这是一个巨大的数量，产生海量的数据。但与现在大家所熟悉的互联网相比，物联网数据有其显著不同特点，本文对其特点作了系统分析和总结。
8月的北京骄阳似火，火热的帝都即将迎来一场同样“火”的RISC-V盛会。去年RISC-V在国内还是星星之火，今年已呈现燎原之势.RISC-V的爆发式发展已成为大势所趋。SiFive已经在3月，6日分别在上海及深圳举行了车间，在当地获得了极大的关注，本次8月举办的北京场活动将是SiFive三场系列研讨会的最后一站。
小心出现过拟合，这通常是因为神经网络在“死记”定型数据。过拟合意味着定型数据的表现会很好，但网络的模型对于样例以外的预测则完全无用。正则化有好处：正则化的方法包括l1、l2和丢弃法等。
卷积这个东东是“信号与系统”中论述系统对输入信号的响应而提出的。因为是对模拟信号论述的，所以常常带有繁琐的算术推倒，很简单的问题的本质常常就被一大堆公式淹没了，那么卷积究竟物理意义怎么样呢？
随着Unity 2019.1的发布，Shader Graph着色器视图资源包正式脱离预览阶段。在Unity 2019.2中，Shader Graph着色器视图加入了更多新功能。
反向传播（用于优化神网参数）：根据损失函数计算的误差通过反向传播的方式，指导深度网络参数的更新优化。采取反向传播的原因：首先，深层网络由许多线性层和非线性层堆叠而来，每一层非线性层都可以视为是一个非线性函数 f(x) (非线性来自于非线性激活函数），因此整个深度网络可以视为是一个复合的非线性多元函数。
根据Newzoo的数据，手游行业预计会在2021年之前突破1000亿美元里程碑，实现十年两位数增长。去年，它占据了全球游戏市场50%以上的份额。手游成为了人人都想分一杯羹的热门产业，独立开发者和发行商梦想着自己能创造出新的现象级产品。
